MétaCan
Menu
Retour à la cohorte
Enregistrement W3153546401 · doi:10.3390/land10040420

Forests to the Foreigners: Large-Scale Land Acquisitions in Gabon

2021· article· en· W3153546401 sur OpenAlexafffund
Danielle Legault, Logan Cochrane

Notice bibliographique

RevueLand · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture, Land Use, Rural Development
Établissements canadiensCarleton University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésLand useContext (archaeology)AgricultureGeographyLand tenureBusinessLand grabbingNatural resourcePopulationAgricultural landScale (ratio)Investment (military)Environmental resource managementNatural resource economicsEnvironmental planningEconomic growthPolitical scienceEconomicsEcologyPolitics

Résumé

récupéré en direct d'OpenAlex

For the past decade, the land rush discourse has analyzed foreign investment in land and agriculture around the world, with Africa being a continent of particular focus due to the scale of acquisitions that have taken place. Gabon, a largely forested state in Central Africa, has been neglected in the land rush conversations, despite having over half of its land allocated to forestry, agriculture, and mining concessions. This paper draws on existing evidence and contributes new empirical data through expert interviews to fill this critical knowledge gap. We situate Gabon’s historic relationship with land, establishing the intrinsic relationship between colonial land tenure systems and present-day land rights. Our findings analyze the macro context of investors and investments, as well as the impacts related to rural–urban linkages and infrastructure development into the forests, civil society, human–environment relationships, and certification programs. While challenges continue to be experienced, the promise of Gabon’s first national land use plan—the use of sustainable concessions and mandatory forestry certification—offers a unique opportunity for Gabon to transition towards a future that better benefits its population while also protecting its natural resources.

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 enseignants0,191
Score d'incertitude au seuil0,823

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 ouverte0,0000,000
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 Opus0,010
Tête enseignante GPT0,210
Écart entre enseignants0,200 · 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

Citations17
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLandMême sujetAgriculture, Land Use, Rural DevelopmentTravaux en français237 207