MétaCan
Menu
Retour à la cohorte
Enregistrement W4379621605 · doi:10.1126/sciadv.ade9557

Global impacts of extractive and industrial development projects on Indigenous Peoples’ lifeways, lands, and rights

2023· article· en· W4379621605 sur OpenAlexaff
Arnim Scheidel, Álvaro Fernández‐Llamazares, Anju Helen Bara, Daniela Del Bene, Dominique David-Chavez, Eleonora Fanari, Ibrahim Garba, Ksenija Hanaček, Juan Liu, Joan Martínez Alier, Grettel Navas, Victoria Reyes‐García, Brototi Roy, Leah Temper, May Aye Thiri, Dalena Tran, Mariana Walter, Kyle Powys Whyte

Notice bibliographique

RevueScience Advances · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueMining and Resource Management
Établissements canadiensMcGill University
Organismes subventionnairesMinisterio de Ciencia e Innovación
Mots-clésIndigenousLivelihoodLivestockAgricultureIndigenous rightsEnvironmental protectionEnvironmental justiceGeographyNatural resource economicsEnvironmental planningPolitical scienceEcologyLawEconomicsForestryBiology

Résumé

récupéré en direct d'OpenAlex

To what extent do extractive and industrial development pressures affect Indigenous Peoples' lifeways, lands, and rights globally? We analyze 3081 environmental conflicts over development projects to quantify Indigenous Peoples' exposure to 11 reported social-environmental impacts jeopardizing the United Nations Declaration on the Rights of Indigenous Peoples. Indigenous Peoples are affected in at least 34% of all documented environmental conflicts worldwide. More than three-fourths of these conflicts are caused by mining, fossil fuels, dam projects, and the agriculture, forestry, fisheries, and livestock (AFFL) sector. Landscape loss (56% of cases), livelihood loss (52%), and land dispossession (50%) are reported to occur globally most often and are significantly more frequent in the AFFL sector. The resulting burdens jeopardize Indigenous rights and impede the realization of global environmental justice.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,018
Tête enseignante GPT0,257
Écart entre enseignants0,239 · 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

Citations127
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetMining and Resource ManagementTravaux en français237 207