MétaCan
Menu
Retour à la cohorte
Enregistrement W2604472206 · doi:10.54648/euro2018008

Food Fraud: Protecting European Consumers Through Effective Deterrence

2018· article· en· W2604472206 sur OpenAlexfundno aff
Brian Jack

Notice bibliographique

RevueEuropean Public Law · 2018
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueIdentification and Quantification in Food
Établissements canadiensnon disponible
Organismes subventionnairesEconomic and Social Research CouncilQueen's UniversityQueen's University Belfast
Mots-clésEuropean unionLegislatureDeterrence (psychology)Member statesDeterrence theoryFood safetyPolitical scienceMember stateBusinessLawInternational trade

Résumé

récupéré en direct d'OpenAlex

The 2013 horsemeat scandal drew attention to the issue of food fraud in the European Union and highlighted the potential health and economic risks associated with such frauds. In the aftermath of the scandal, this article examines the effectiveness of the European Union ’ s legal framework in protecting against future frauds. It argues that this will only by achieved if this operates as a strong deterrent, which places potential fraudsters at significant risk of being apprehended. In the light of this, the article evaluates the measures in place to deter fraud in both food products manufactured within the European Union and in those imported from third countries. In doing so, it examines both the European Union ’ s legislative framework and the manner in which it has been implemented across Member States. Finally, the article concludes by examining Member State cooperation in addressing cross-border food fraud, such as the one perpetrated in the horsemeat scandal itself.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,767
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,033
Tête enseignante GPT0,268
Écart entre enseignants0,235 · 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.

Devis d'étudeExpérimental (laboratoire)
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

Citations9
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Public LawMême sujetIdentification and Quantification in FoodTravaux en français237 207