Les « Ententes sur les répercussions et les avantages » et le bien-être des communautés
Bibliographic record
Abstract
Depuis deux décennies, de plus en plus d’ententes sur les répercussions et les avantages (ERA) ont été négociées entre les minières et les communautés autochtones ou leurs représentants régionaux. Ces ententes sont perçues comme un outil très utile pour promouvoir le développement économique et améliorer certaines conditions socioéconomiques des communautés, plus particulièrement l’accroissement du revenu. Il n’est pas toujours évident toutefois que les communautés ainsi enrichies soient choyées au point de vue santé et bien-être communautaire. Plus frustrant encore, il n’y a qu’une minorité d’ERA qui se préoccupent directement de santé et de bien-être communautaire car la plupart sont conçues plutôt pour apporter des avantages en présumant que ceux-ci amélioreront le bien-être en général. C’est trompeur et insuffisant. En prenant pour exemple les ERA signées par les organisations inuites du Canada, le présent article reflète celui de Knotsch et Warda (2009) dans lequel les auteurs proposent plus de recherches sur les ERA et sur le bien-être des communautés. De plus, nous suggérons ici que les négociateurs des ERA mettent l’accent sur les questions et les besoins reliés à la santé communautaire en les intégrant dans les futures ententes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.012 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".