Exploring Technology Adoption in Canada’s Mineral Mining Sector: Navigating Through an Interplay of Factors
Notice bibliographique
Résumé
The mining sector is currently experiencing a period of disruption where technological \ninnovations such as electric vehicles, artificial intelligence, and drones are transforming how \nthe industry operates. Little is known, however, about the factors that drive, enable, and \nimpede technology adoption in the mining sector, particularly in the context of Canada. To \naddress this gap, this research explores the drivers, enablers, and barriers to technology \nadoption in Canada's mineral mining sector through an online survey, structured by the \ntechnology-organization-environment (TOE) framework, with insights from similar research \nin the context of Australia. The findings of this research suggest that the top three \ntechnologies being adopted by mining companies in Canada are battery electric vehicles \n(BEV's), sensors, and autonomous equipment. In the Canadian context, the technology \nadoption process for mining companies is influenced by a complex interplay of factors \ndetermined by the three commonly cited dimensions of sustainability (economic, social, \nenvironmental). While economic considerations, such as productivity and efficiency, to \nreduce operating costs and competitive pressures underpin technology adoption decisions, \nmining companies are also motivated to adopt technologies by social factors such as \nimprovements to health and safety for workers, and environmental factors such as to reduce \ndiesel emissions. Economic factors, such as costs of the technology, implementation costs, \nlimited internal capital, and the capital intensive nature of the sector, underpin the barriers to \ntechnology adoption for mining companies with operations in Canada. This research \nconcludes with suggestions for future research, and key theoretical contributions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».