MétaCan
Menu
Retour à la cohorte
Enregistrement W2772009877 · doi:10.34309/jp.v22i4.205

Women in Gendered Fisheries: Roles, Issues and Challenges in Cambodia, Indonesia, Vietnam and Philippines

2017· article· en· W2772009877 sur OpenAlexaboutno aff
Ma. Linnea Villarosa-Tanchuling

Notice bibliographique

RevueJurnal Perempuan · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCoastal and Marine Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEmpowermentFisheryGovernment (linguistics)Economic growthGeographyNatural resourceShoreEquity (law)Quarter (Canadian coin)Southeast asiaMarine conservationPolitical scienceBusinessSocioeconomicsSociologyEthnologyEconomics

Résumé

récupéré en direct d'OpenAlex

This paper is a synthesis of the results of the case studies on women’s situation in fisheries done by the members of the SEA Fish for Justice Network. The network is composed of 15 non-government and fishers organizations from the Southeast Asia region. It envisions equity in access to and control over off-shore, coastal and inland aquatic natural resources including the termination of suffering caused by unsustainable resources and/or privatized control over communal resources. The case studies were conducted by SEAFish Network members in Cambodia, Indonesia, Vietnam and Philippines in the second and third quarter of 2008 to highlight the roles, issues and challenges faced by women in coastal communities as well as the spaces provided them to facilitate their empowerment. The network members who conducted the studies were FACT (Cambodia), KIARA (Indonesia), MCD (Vietnam) and PROCESS-Bohol, CERD, and Tambuyog Development Center (CERD).

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,359
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,039
Tête enseignante GPT0,240
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal PerempuanMême sujetCoastal and Marine ManagementTravaux en français237 207