MétaCan
Menu
Retour à la cohorte
Enregistrement W7039677030

Mining impact and Indigenous protected and conserved areas

2023· dissertation· en· W7039677030 sur OpenAlexafffundabout

Notice bibliographique

RevueMspace (University of Manitoba) · 2023
Typedissertation
Langueen
DomaineComputer Science
ThématiqueImbalanced Data Classification Techniques
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaMitacs
Mots-clésSustenanceIndigenousTraditional knowledgeNatural resourceLand useResource (disambiguation)Land management
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Gold mining on pristine land that Indigenous people use for sustenance is a common practice in Canada, despite some of these lands being designated as Indigenous-protected areas. This study explores traditional land use protection versus natural resource extraction, looking at the Red Sucker Lake First Nation (RSLFN) region. I applied geographic information system mapping, analysis of transcribed audio interviews, and literature review methods in this study. Based on 21 map biographies of traditional land use of RSLFN interviewees’ transcripts focused on the preservation of traditional ecological knowledge (TEK), mining impacts, and traditional land use and occupancy (TLUO) of these 21 RSLFN people. Summary maps of the traditional land uses of 21 RSLFN people show sustenance and cultural activities on greenstone belts, designated by the province for mining. The interview analysis reveals exploration and mining activities impacting RSLFN’s traditional land and practices, causing spills and destroying personal property. The interviews also reveal community members’ desire to protect their land from mining activities for Indigenous knowledge preservation, ecosystem preservation, and traditional land use protection towards realizing Mino Bimaadiziwin (the good life). A change in governments’ policies on greenstone belts being restricted to mining development, which interferes with the traditional land use practices of affected Indigenous peoples, is needed.

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)0,000
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,512
Score d'incertitude au seuil0,964

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0010,000
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 Opus0,022
Tête enseignante GPT0,237
Écart entre enseignants0,215 · 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'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

Citations2
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueMspace (University of Manitoba)Même sujetImbalanced Data Classification TechniquesTravaux en français237 207