Artificial Intelligence and Machine Learning in Governmental Artisanal Mining: Current Status, Development, and Future Directions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic is not an obstacle research and development implementation, one of which uses secondary data and bibliometric methods. Studies on mining regulation are generally about formal mining in the form of corporations, while artisanal mining is considered illegal, criminal, and its operation is prohibited because it inhibits the growth rate of a country’s socio-economic development. This study aims to analyse previous studies on governmental artisanal mining published in the Scopus database and data processing using VOSviewer software. The findings show that there are 287 documents on governmental artisanal mining published from 1987 to 2023. United Kingdom, Canada, and United States occupy most countries of publication as the place of author affiliation. Meanwhile, the author who produced the largest number of publications and is cited mostly was Galvin Hilson. The top ten publications based on the number of citations were obtained by the majority of journals ranked in Quartile 1 with the top rankings being Resource Policy Journal, Journal Cleaner Production, and Science of the Total Environment Journal. The dominant keywords used by authors were “artisanal and small-scale mining”, “formalization”, “illegal mining”, “Ghana”, and “gold”. The data revealed that there are still limited studies discussing the link between the governmentality of artisanal mining and local politics, other mining, and identity, as well as its relationship with the COVID-19 pandemic. Future studies can further develop the case of governmental artisanal mining from a social critical perspective and in comparison with other types of mining across countries.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle