MétaCan
Menu
Retour à la cohorte
Enregistrement W1512878900

Negotiated Settlements: The development of economic and legal thinking

2006· preprint· en· W1512878900 sur OpenAlexaboutno aff
Joseph A. Doucet, Stephen Littlechild

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2006
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLaw, Economics, and Judicial Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHuman settlementIncentiveTransparency (behavior)CommissionBusinessCoping (psychology)Law and economicsEconomicsPolitical scienceMarket economyLawEngineeringFinancePsychology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Negotiated settlements are a form of regulation of public utilities that is alternative or complementary to the conventional process of litigation. The Federal Power Commission pioneered the use of settlements in the early 1960s as a means of coping with an increased workload and backlog. But until recently the economic literature has had little or nothing to say about such settlements. Legal scholars have emphasized the importance of settlements in coping with the regulatory load, and in saving time and money, albeit with some concern about transparency and the treatment of non-unanimous settlements. More recently, however, they suggest that settlements better serve the needs of the parties, allow greater flexibility and innovation, and can achieve results that lie beyond traditional regulatory authority. Recent economic research has indicated the high proportion of regulatory cases dealt with by settlements in the US and Canada and confirmed that settlements are not simply a more efficient way of doing the same thing as regulation. Rather, they involve considerable innovation, notably the introduction of price caps and other incentive mechanisms that otherwise would not have been likely or even possible.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,026
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,136

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0260,025
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0090,006
Études des sciences et des technologies0,0040,080
Communication savante0,0190,038
Science ouverte0,0050,007
Intégrité de la recherche0,0100,014
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,040
Tête enseignante GPT0,280
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetLaw, Economics, and Judicial SystemsTravaux en français237 207