MétaCan
Menu
Retour à la cohorte
Enregistrement W2890445188 · doi:10.1111/ropr.12307

Responses to the Clean Power Plan: Factors Influencing State Decision‐Making

2018· article· en· W2890445188 sur OpenAlexaff
Laurel Besco

Notice bibliographique

RevueReview of Policy Research · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePolicy Transfer and Learning
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésGovernorPlan (archaeology)Government (linguistics)State (computer science)Clean Air ActPublic administrationPower (physics)Action planPolitical scienceRenewable energyBusinessPublic economicsEconomicsEngineeringAir pollutionManagementComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract In 2015, President Obama introduced the Clean Power Plan (CPP), a federal plan aimed at reducing the production of carbon pollution from power plants. In response, some used legal action to try and stop the plan, while others supported the plan and proceeded with plans for its implementation. This research investigates responses taken by state government in terms of legal remedies and planning for implementation, and what explains those responses. Findings suggest that partisanship plays a key role. Specifically, the partisanship of the attorney general is correlated with the legal response, and the governor with implementation planning. Coals, and perhaps renewables, also seem to play a role, even controlling for partisanship. There is only weak evidence for the effect of policy experience and none for the estimated cost of the policy. The article concludes by discussing the implications of these results for the future of climate policy in the United States.

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)0,010
score de la tête « metaresearch » (Gemma)0,016
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,914
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,183
Tête enseignante GPT0,550
Écart entre enseignants0,367 · 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'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

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Policy ResearchMême sujetPolicy Transfer and LearningTravaux en français237 207