MétaCan
Menu
Retour à la cohorte
Enregistrement W3122033895 · doi:10.29173/jaed334

Institutional Change On First Nations: Examining Factors Influencing First Nations’ Adoption of the Framework Agreement on First Nation Land Management

2013· article· en· W3122033895 sur OpenAlexaffabout
Mary Doidge, Brady J. Deaton, Bethany Woods

Notice bibliographique

RevueJournal of Aboriginal Economic Development · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensUniversity of Guelph
Organismes subventionnairesAustralian Government
Mots-clésProbit modelGovernment (linguistics)AutonomyOrdered probitVariable (mathematics)EconomicsProbitFirst nationPublic economicsEconomic growthPolitical scienceGeographyLawEconometricsMathematics

Résumé

récupéré en direct d'OpenAlex

In 1999 the Canadian Federal government passed the First Nations Land Management Act, ratifying the Framework Agreement on First Nation Land Management signed by the government and 14 original signatory First Nations in 1996. This Agreement allows First Nations to opt out of the 34 land code provisions of the Indian Act and develop individual land codes, and has been promoted as a means of increasing First Nation autonomy and facilitating economic growth and development on reserve lands. There are currently 77 First Nation signatories to the Agreement, 39 with operational independent land codes. This paper is the first to empirically examine factors that may influence a First Nation's decision to become signatory to the Framework Agreement. A unique dataset characterizing each First Nation by socio-economic and demographic characteristics is used with a probit model to determine the effects of these characteristics on the probability of First Nation adoption of the Agreement. The results of this study indicate that proximity to an urban centre positively affects the probability that a First Nation will adopt. However, the statistical strength of this finding is sensitive to the inclusion of an education variable in the regression.

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)0,001
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 enseignants0,145
Score d'incertitude au seuil0,786

Scores Codex et Gemma par catégorie

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

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 Opus0,092
Tête enseignante GPT0,233
Écart entre enseignants0,141 · 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
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Aboriginal Economic DevelopmentMême sujetEconomic and Environmental ValuationTravaux en français237 207