MétaCan
Menu
Retour à la cohorte
Enregistrement W4385193519 · doi:10.1590/1982-0259.2023.e90496

Peasant women and the gendered inequalities in the industry of mining

2023· article· en· W4385193519 sur OpenAlexaff
Rafael Fernandes de Mesquita, Alexandra Denise Sophie Marie Carlier Larsimont, André Xavier, Fátima Regina Ney Matos

Notice bibliographique

RevueRevista Katálysis · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueMining and Resource Management
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPeasantInvisibilityPoliticsFocus groupSocial inequalityMining industryCitizen journalismResource (disambiguation)InequalityCorporate governancePolitical sciencePolitical ecologySociologyEconomic growthBusinessEconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract The mining industry in Peru - as well as in many resource-rich countries of the global South - is of great economic and social importance, particularly in remote regions where mineral deposits are often located. The academic literature has so far neglected analysing how women in these regions are affected by the industry. As such, it is relevant to study the gendered conflict surrounding the activity and invisibility of women in the mining industry, as well as their proposals, demands, and needs, with a focus on environmental and social concerns. This study analysed the experiences of peasant women from Peruvian Andes communities in environmental governance processes in mining contexts as they sought to exercise their citizenship within the mining industry and public spaces. Using a qualitative approach involving a focus group and panel discussions, the experiences and perceptions of the women who are part of the participatory environmental monitoring and surveillance committees (PEMSC) were considered. This paper highlights gendered inequalities concerning the benefits of mining, the process of change in the social dynamics of mining communities, and political claims for a better social arrangement, with social, political, economic, and ecological considerations from the women’s point of view.

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: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,106
Score d'incertitude au seuil0,169

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,029
Tête enseignante GPT0,231
Écart entre enseignants0,202 · 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'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

Citations5
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRevista KatálysisMême sujetMining and Resource ManagementTravaux en français237 207