EMERALD EXTRACTIVISM: BORDERS, ENERGY, AND DATA INFRASTRUCTURES IN IRELAND
Notice bibliographique
Résumé
In November 2020, a video surfaced on Twitter showing the earth moving underneath the feet of a local hillwalker. The video documented a massive peat landslide at the border between Ireland and Northern Ireland, caused by the construction of the Meenbog Wind Farm. The landslide destroyed a swathe of active peat bog and polluted a watershed which spanned both sides of the border, prompting governmental and legal action from agencies and organizations in Ireland, Northern Ireland, and UK. A key piece of the puzzle, however, was that the Meenbog Wind Farm had in 2019 sold its future energy to global logistics and cloud giant Amazon to power its data centre operations in Dublin, over 200km away from this wind farm site in rural Donegal. The data infrastructure company’s decarbonization efforts were following fault lines and toxic legacies of colonial expansion, the imagined perpetual growth of data systems having unintended consequences at Ireland's contested internal border. By analyzing data centre and energy policy, public discourse around these infrastructural systems, and drawing upon site-specific fieldwork, this paper will confront the re-organization of political and environmental relations at the border with regards to emerging renewable energy and data entanglements. Engaging with vibrant discourses of “green extractivism” during the transition to renewable energy, the paper will approach bordering mechanisms cutting through Ireland as sites of contestation about what present and future extractive energy and data supply chains will look like, who will bear their burdens, and who will have a voice in shaping them.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».