MétaCan
Menu
Retour à la cohorte
Enregistrement W4381799546 · doi:10.14324/111.444/ucloe.000060

Decolonising Canadian water governance: lessons from Indigenous case studies

2023· article· en· W4381799546 sur OpenAlexafffundabout
Corey McKibbin

Notice bibliographique

RevueUCL Open Environment · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWater Governance and Infrastructure
Établissements canadiensMcMaster University
Organismes subventionnairesMcMaster University
Mots-clésIndigenousSanitationCorporate governancePolitical scienceGovernment (linguistics)PraxisPoliticsEconomic growthPublic administrationEnvironmental planningSociologyBusinessGeographyEngineeringEconomicsEcologyLawEnvironmental engineering

Résumé

récupéré en direct d'OpenAlex

Meaningful lessons about decolonising water infrastructure (social, economic and political) can be learned if we scrutinise existing governance principles such as the ones provided by the Organisation for Economic Cooperation and Development in 2021’s Principles on Water Governance. Instead of usingonlyWestern frameworks to think about policy within Indigenous spheres of water, sanitation and hygiene, the Government of Canada can look to Indigenous ways of knowing to complement their understanding of how to govern areas of water, sanitation and hygiene efficiently. In this paper, the termIndigenousencompasses First Nations, Inuit and Métis populations. This paper is presented asastep out of many towards decolonising water governance in Canada, and is intended to show that it is necessary to make space for other voices in water governance. By highlighting the dangers in the case studies, three lessons are apparent: (1) there needs to be an addition of Indigenous Two-Eyed Seeing in water governance; (2) Canada must strengthen its nation-to-nation praxis with Indigenous communities; and (3) there needs to be a creation of space in water, sanitation and hygiene that fosters Indigenous voices. This is necessary such that there can be equal participation in policy conversations to mitigate existing problems and explore new possibilities.

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)0,009
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,142
Score d'incertitude au seuil0,995

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,006
Études des sciences et des technologies0,0350,015
Communication savante0,0060,003
Science ouverte0,0030,007
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,047
Tête enseignante GPT0,334
Écart entre enseignants0,287 · 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'étudeQualitatif
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

Citations13
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueUCL Open EnvironmentMême sujetWater Governance and InfrastructureTravaux en français237 207