Native Americans and First Nations. : A comparative study regarding laws in the United States and Canada
Bibliographic record
Abstract
Denna undersökning kommer undersöka ursprungsbefolkningen i Kanada och i USA, First Nations (Kanada) respektive Native Americans (USA). Fokuset ligger på olika lagar i respektive land som behandlat och behandlar dessa ursprungsbefolkningar. Ursprungsbefolkningar har diskriminerats genom historien och diskrimineras även idag vilketvi anser är värt att undersöka, då båda länderna idag är ledande inom arbetet kring mänskliga rättigheter. När lagar trätt i kraft har motiveringen varit att det ska gynna och skyddaursprungsbefolkningar, frågan är om det historisk verkligen varit så? Teorierna som valts är andrafiering, samt assimilation i jämförelse med kulturell pluralism och metoden är en innehållsanalys samt en komparativ metod. I denna undersökningen kommer en jämförelse aven lag från Kanada; the indian act, och lagar från USA; the general allotment act, the indian reorganization act och the indian civil rights act. Syftet är att jämföra hur ursprungsbefolkningarnas rättigheter har behandlats genom de nämnda lagarna ovan. Materialet är insamlat från regeringens egna webbsidor i både Kanada och USA och består av de juridiska dokument där lagarna beskrivs. I undersökningens analys framkommer det att det finns både skillnader och likheter i ländernas hantering, att lagarna har bidragit till andrafiering, samt att målet med lagarna har utvecklats från enbart assimilation som mål till mer kulturell pluralism.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.012 |
| Science and technology studies | 0.014 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".