MétaCan
Menu
Retour à la cohorte
Enregistrement W2147765990 · doi:10.1142/s0217590810004048

AN ACTUARIAL APPROACH TO ASSESSING PERSONAL INJURY COMPENSATIONS IN SINGAPORE: THEORY AND PRACTICE

2010· article· en· W2147765990 sur OpenAlexafffund
Felix W.H. Chan, Wai‐Sum Chan, Johnny S.-H. Li

Notice bibliographique

RevueThe Singapore Economic Review · 2010
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInsurance, Mortality, Demography, Risk Management
Établissements canadiensActuaUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPersonal injuryLump sumActuarial scienceDiscountingPlaintiffPaymentEconomicsHuman settlementValue (mathematics)LawFinanceEngineeringComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

In Singapore personal injury litigations, successful claimants usually receive their compensations as a lump sum. The main advantage of a lump sum payment is that the proceedings can be concluded with a 'clean break' between the parties. The lump sum is a result of discounting the future pecuniary values into a single present-day amount, considering the time value of money and the claimant's mortality. Conventionally, lump sum awards are determined by making reference to a spread of amounts in comparable cases. However, a fairer method would be one that involves input from not only lawyers but also other experts including economists and actuaries. This study, which is carried out by an inter-professional working group, provides a set of actuarially computed tables for use in personal injury settlements in Singapore. The calculations involve a consideration of recent advancements in stochastic mortality modeling and an empirical study on the econometrics of real returns on risk-free assets in Singapore. We then present two recent personal injury cases in Singapore, aiming at helping the Singapore legal profession understand and use the economic principles with actuarial tables, and educating economists and actuaries the legal concerns and concepts in personal injury cases.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,853
Score d'incertitude au seuil0,632

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0150,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,034
Tête enseignante GPT0,385
Écart entre enseignants0,351 · 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 tête enseignante, 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

Citations0
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Singapore Economic ReviewMême sujetInsurance, Mortality, Demography, Risk ManagementTravaux en français237 207