Preference heterogeneity for large mining projects : Three essays in non-market valuation
Bibliographic record
Abstract
Préférences hétérogènes des grands projets miniers : trois essais en évaluation non marchande L’évaluation fine des impacts miniers représente un défi majeur considérant l’ampleur des changements socio-économiques et environnementaux et les controverses que le secteur minier continue jusqu’à lors de susciter. Un aspect souvent manquant de l’évaluation des projets miniers est lié à la question de l’impact sur le bien-être. La thèse a pour objectif d’apporter un ensemble d’éclairages sur les potentiels impacts, notamment en considérant l’hétérogénéité de la population. Le contexte d’étude est la province minière du Québec, au Canada, avec une enquête des ménages mesurant les variations de bien-être par la méthode Choice Experiment. L’article 1 pointe l’importance du contexte géographique, marquée par des inégalités spatiales dans les impacts miniers. Nous trouvons que le développement minier peut avoir des impacts de longues distances sur le bien-être, liés au type de minerai et à la perception individuelle du risque. L’article 2 tire avantage du passé minier de l’exploitation de l’or au Québec pour étudier si cette expérience collective facilite les arbitrages miniers sur les terres rares, un minerai nouveau dans la province et souvent méconnu par le public. Enfin l’article 3 teste les effets potentiels de campagnes d’information sur les changements de bien-être. L’information apparaît avoir peu ou aucun effet. Cependant, ce résultat masque des effets élevés et contrastés auprès des individus opposés par leurs perceptions sur l’opportunité/menace d’une nouvelle mine. La thèse conclue en présentant des nouvelles pistes de recherche pour mieux évaluer les effets du développement minier sur le bien-être.
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 | 0.009 | 0.036 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.007 |
| Scholarly communication | 0.006 | 0.008 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".