Aasivissuit – Nipisat:An Inuit Hunting Ground between the Greenland Ice Sheet and the Sea
Bibliographic record
Abstract
I verdensarvsområdet Aasivissuit – Nipisat ligger sporene efter 4.500 års menneskelig tilstedeværelse stadig synlige i landskabet – fra tørvehusruiner og varder til gamle jagtstier og fangstsystemer. Her møder vi et Grønland, hvor jægere og deres familier den dag i dag følger de gamle stier, slår lejr på forfædrenes steder og fører traditionerne videre i samspil med naturen. Området blev i 2018 optaget på UNESCO’s Verdensarvsliste som et enestående arktisk kulturlandskab, der vidner om menneskers evne til at tilpasse sig naturens rytmer gennem skiftende tider og kulturer. Her, hvor fjorde, fjelde, elve og rensdyrsletter mødes, har folk levet i balance med landskabet fra de første bosættelser i Grønland med Saqqaq- og Dorsetkulturen, over Thule-inuit og kolonitiden til nutidens inuitsamfund. Den grønlandske hverdag og sjæl lever side om side med de arkæologiske spor og historiske minder. Denne bog trækker tråde mellem landskabets geologi og klima, dets ressourcer, kulturarv og de mange livsformer, der har udfoldet sig her. Den bringer læseren fra kysten og indlandsisen, gennem historien og til det Grønland, der findes i dag – båret af viden, erfaring og vedholdenhed.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
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".