MétaCan
Menu
Retour à la cohorte
Enregistrement W2607236139 · doi:10.5558/tfc2017-005

The softwood lumber dispute: Is a solution possible?

2017· article· en· W2607236139 sur OpenAlexaffvenueabout
Francis Barriault, François Bellavance, Julien Dutil-Seguin, Catherine Gagné, Alexandre Gendron, Pierre-Louis Harton, Vincent Robillard-Cogliastro, Stephen Wyatt

Notice bibliographique

RevueThe Forestry Chronicle · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest Management and Policy
Établissements canadiensUniversité de Moncton
Organismes subventionnairesnon disponible
Mots-clésSoftwoodPlankNegotiationDiversification (marketing strategy)EconomicsBusinessPolitical scienceMarketingPulp and paper industryEngineeringLaw

Résumé

récupéré en direct d'OpenAlex

Canadian exports of softwood lumber to the USA have long been a source of conflict. As the last Softwood Lumber Agreement expired, we examined this issue as a University class project in forest policy. This text presents our analysis of the history of this conflict and the positions of various actors, along with our twenty-year plan for resolving this conflict. Our strategy is in three phases, corresponding to our expectations of future events: five years of conflict and negotiation that we should use to prepare certain changes in our forest sector; ten years under a new agreement during which we can implement these changes; followed by another conflict that we hope Canada will win, resulting in lumber becoming just another traded commodity. Our policy has four key elements: a gradual transition to market-price systems for 55% of public forest lumber volume; an expansion of value-added transformation and diversification of products; a reduction of softwood lumber production; and, a coordination role for the Canadian Council of Forest Ministers. We do not believe that our proposition is perfect, but we consider that it offers an option for breaking out of the box that characterises this conflict.

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)0,007
score de la tête « metaresearch » (Gemma)0,013
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 enseignants0,744
Score d'incertitude au seuil0,509

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0180,022
Communication savante0,0210,018
Science ouverte0,0030,007
Intégrité de la recherche0,0190,014
Charge utile insuffisante (le modèle a refusé de juger)0,0170,002

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 Opus0,013
Tête enseignante GPT0,257
Écart entre enseignants0,243 · 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

Citations1
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Forestry ChronicleMême sujetForest Management and PolicyTravaux en français237 207