MétaCan
Menu
Retour à la cohorte
Enregistrement W2173134037

A Model of Regulatory Burden in Technology Diffusion: The Case of Plant-Derived Vaccines

2009· article· en· W2173134037 sur OpenAlexafffund
David Castle, Kira Kumagai, Céline Bérard, Martin Cloutier, E. Richard Gold

Notice bibliographique

RevueEdinburgh Research Explorer · 2009
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFirm Innovation and Growth
Établissements canadiensMcGill UniversityUniversité du Québec à MontréalUniversity of Ottawa
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaOntario GenomicsOntario Genomics InstituteGenome Canada
Mots-clésVariety (cybernetics)Risk analysis (engineering)Developing countryComputer scienceBusinessBiochemical engineeringEnvironmental economicsBiotechnologyManagement scienceEconomicsEngineeringEconomic growthBiology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Plant-derived vaccines may soon displace conventional vaccines. Assuming there are no major technological barriers undermining the feasibility of this innovative technology, it is worthwhile to generate quantitative models of regulatory burden of producing and diffusing plant-derived vaccines in industrialized and developing countries. A dynamic simulation model of technology diffusion -- and the data to populate it -- has been generated for studying regulatory barriers in the diffusion of plant-derived vaccines. The role of regulatory burden is evaluated for a variety of scenarios in which plant-derived vaccines are produced and diffused. This model relates the innovative and conventional vaccine technologies and the effects of the impact of the uptake of the innovative technology on mortality and morbidity. This case study demonstrates how dynamic simulation models can be used to assess the long-term potential impact of novel technologies in terms of a variety of socio-economic indicators.

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)0,003
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,003
Communication savante0,0040,004
Science ouverte0,0030,002
Intégrité de la recherche0,0070,003
Charge utile insuffisante (le modèle a refusé de juger)0,0160,001

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 Opus0,125
Tête enseignante GPT0,311
Écart entre enseignants0,185 · 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'étudeSimulation ou modélisation
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

Citations1
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEdinburgh Research ExplorerMême sujetFirm Innovation and GrowthTravaux en français237 207