MétaCan
Menu
Retour à la cohorte
Enregistrement W2794699557 · doi:10.5539/jsd.v11n2p52

Utilizing Non-Timber Extraction of Swamp Forests over Time for Rural Livelihoods

2018· article· en· W2794699557 sur OpenAlexvenueno aff
Elisa Wildayana, M. Edi Armanto

Notice bibliographique

RevueJournal of Sustainable Development · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueConservation, Biodiversity, and Resource Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSwampLivelihoodAgroforestryGeographySubsistence agricultureAgricultureForestryEnvironmental protectionEnvironmental scienceEcologyArchaeology

Résumé

récupéré en direct d'OpenAlex

The research aimed to analyze utilizing non-timber extraction of swamp forests over time for rural livelihoods. This research was carried out in swamp forests of Ogan Komering Ilir (OKI) District, South Sumatra, Indonesia. The data were collected by direct field observation, intensive study of archive report documents as well as in-depth interviews with the respondents. Before 2000, rural communities could be mentioned to be relatively concerned about the status of forest and land resources because they have utilized forest and land resources following customary regulations. Various types of products extracted by their priority are fuel material, food sources, medicine and pharmacy, raw materials for handicrafts, structures and other uses. After 2000, there have been significant changes in forest and land resources being used for other purposes, e.g. agroforestry, plantation, agriculture, fodder, thatching grass, woven mats (from purun), rope webbing, leaves, resins, dyes, manure and others. These activities have caused degradation of swamp forest. To minimize the impact of swamp forest degradation, the active participation involvement of the rural community and all other stakeholder components is essential to optimize swamp forest management.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,009
Tête enseignante GPT0,232
Écart entre enseignants0,223 · 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 source (Gemma direct ou Codex distillé), 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

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sustainable DevelopmentMême sujetConservation, Biodiversity, and Resource ManagementTravaux en français237 207