MétaCan
Menu
Retour à la cohorte
Enregistrement W4389570982 · doi:10.1017/mcl.2023.2

What is the experience with governance models that manage and engage diverse stakeholders through a closure transition?

2023· article· en· W4389570982 sur OpenAlexaff
Arn Keeling, Rebecca Hall, Sarah Holcombe

Notice bibliographique

RevueResearch Directions Mine closure and transitions · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCommunity Development and Social Impact
Établissements canadiensQueen's UniversityMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésClosure (psychology)Corporate governanceTransition (genetics)BusinessTransition management (governance)Process managementPublic relationsKnowledge managementPolitical scienceComputer scienceFinanceChemistry

Résumé

récupéré en direct d'OpenAlex

Traditionally understood in technical, environmental and (to a lesser extent) socio-economic terms, mine closure and transition is increasingly recognized as a significant governance challenge. Governance, in this context, refers not merely to the legal aspects of mine reclamation or closure regulation but rather the broader suite of actors, institutions, processes, methods, rules and practices that guide and oversee mine site transitions. Governance structures, interactions and practices are shaped by power relations as well as reflecting embedded norms and values. Since the 1980s, mine closure governance has expanded from a preoccupation by industry and governments with hazard mitigation, environmental reclamation and, in some cases, economic and social ‘adjustment,’ to encompass a wider set of social, economic and environmental aspects of closure (Kendall 1992; Laurence 2006). These issues may affect workers, local and regional development agencies, Indigenous rightsholders, fenceline communities and environmental advocates, among others (Bainton and Holcombe 2018; Everingham et al. 2020). This broad range of actors and issues, in turn, has generated reactions and responses from individual companies, industry associations and governments at all levels seeking to mitigate closure and transition impacts (Morrison-Saunders et al. 2016; Owen and Kemp 2018; Hodge and Brehaut 2023).

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 candidatesÉtudes des sciences et des technologies
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 enseignants0,358
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,001
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,288
Tête enseignante GPT0,338
Écart entre enseignants0,050 · 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.

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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch Directions Mine closure and transitionsMême sujetCommunity Development and Social ImpactTravaux en français237 207