Co- constructing aboriginal tourism through participatory-action research and Information and Communication Technologies : a new approach to managing resources and territoiries
Bibliographic record
Abstract
Les Peuples autochtones ont fait l’objet de nombreuses recherches dans le passé. Ils explorent aujourd’hui des nouvelles façons de reconquérir leur langue, leur culture, leur identité et sont en voie de se réapproprier les processus, concepts et outils de recherche. En vue de revisiter la recherche-action participative et de l’adapter au contexte autochtone, nous avons développé des collaborations de recherche avec 13 communautés du Nord Canada (Cri et Inuit) et du Nord Scandinavie (Saami) et organisé 20 ateliers utilisant les techniques de recherche collaborative et outils d’analyse développés par Chevalier et Buckles de l’université de Carleton. Cette approche et la boite à outil que nous avons produite se sont révélées utiles et opportunes. Nous avons pu traiter les préoccupations et les défis auxquels sont confrontés les communautés, développer des collaborations de recherche entre les Cris, les Inuit et les Saami, étudier les processus d’engagement social dans les projets touristiques et explorer de nouvelles méthodologies de recherche autochtone. Au même moment, pendant ces 3 années de bourse de recherche Marie Curie, nous avons exploré les possibilités de recherche collaborative en ligne via le Web 2.0 et les TIC. Nous avons mis en ligne les 200 initiatives de tourisme autochtone publiées dans le Guide « Destinations Indigènes » mise en relation leurs auteurs à travers un site de gestion de contenu SPIP (www.aboriginalecotourism.org) dans lequel nous avons intégré; des cartes Google™ qui permettent de géoréférencer lescommunautés; un questionnaire Internet qui traduit en données quantitatives les informations qualtitatives fournies par les initiatives; et un forum de discussion pour compléter les données produites.
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 | 0.021 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.012 | 0.021 |
| Scholarly communication | 0.014 | 0.007 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".