MétaCan
Menu
Retour à la cohorte
Enregistrement W4396840778 · doi:10.1016/j.ecolecon.2024.108219

Renewable energy and well-being in remote Indigenous communities of Canada: A panel analysis

2024· article· en· W4396840778 sur OpenAlexaffabout
Oscar Zapata

Notice bibliographique

RevueEcological Economics · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnergy and Environment Impacts
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésRenewable energyIndigenousBusinessNatural resource economicsEnvironmental resource managementEnvironmental economicsEconomic growthEconomicsEngineeringEcology

Résumé

récupéré en direct d'OpenAlex

Energy transitions in Indigenous, Northern and remote communities in Canada promise benefits that go beyond reliable, clean and affordable energy services. The Federal and Provincial governments have committed funding to get remote communities off diesel, acknowledging energy transitions' global and local benefits. Besides climate change mitigation, other benefits, including job creation, income generation, community ownership and local economic growth, are fundamental components of the value proposition of renewable energy projects. However, despite the promises, little evidence of the impacts of renewable energy on communities' local conditions exists. This article looks at the relationship between renewable energy projects and community well-being in Canada. We construct a panel of Indigenous communities and well-being levels using Census data and information about renewable energy projects for the period 1981–2016. The findings suggest that renewable energy is associated with higher levels of well-being. Concretely, having access to renewable energy increases overall well-being by 1 to 5 points on the 0–100 well-being scale, depending on the component of the well-being index considered in the analysis.

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)0,001
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 enseignants0,018
Score d'incertitude au seuil0,134

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,005
Études des sciences et des technologies0,0040,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
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 Opus0,011
Tête enseignante GPT0,179
Écart entre enseignants0,168 · 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

Citations22
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEcological EconomicsMême sujetEnergy and Environment ImpactsTravaux en français237 207