MétaCan
Menu
Retour à la cohorte
Enregistrement W2992777123

Diffusion of Regulatory Policy Across Nations: The Example of Number Portability

2014· article· en· W2992777123 sur OpenAlexaboutno aff
Irene Wu

Notice bibliographique

RevueSSRN Electronic Journal · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueICT Impact and Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCompetition (biology)European unionSoftware portabilityEnforcementPolitical scienceInternational tradeGeographyEconomyDevelopment economicsEconomicsLaw
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Out of around 200 countries in the world, only 75 have number portability. What are the international factors that explain the diffusion of this regulatory policy? Research on policy diffusion offers several explanations: constructivist, coercion, competition, and learning. Each of these theories is explored based on a dataset that tracks the implementation of number portability, fixed phone competition and mobile phone competition, and documentary evidence gathered from the Asia Pacific Economic Cooperation (APEC), COMESA (Common Market for Eastern and Southern Africa, Economic Community of West African States (ECOWAS), European Union, and the Inter-American Telecommunications Commission (CITEL). In these three regulatory issue areas, Asia, Americas, and Europe are the three regions that innovate first; Middle East and Africa follow later on. Further, Hong Kong and New Zealand in Asia and Canada, Chile, and the US in Americas are pioneers, while others wait to see results before proceeding; learning appears to explain the diffusion pattern in these regions. In contrast, in Europe, regulatory diffusion begins early and proceeds rapidly with pioneers like Finland and United Kingdom, but others adopt without the lag time observed in Asia and Americas, very likely because of the leadership and enforcement powers of the European Union, a coercive explanation among member states and a competitive one among non-member 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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,392
Score d'incertitude au seuil0,245

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)0,0000,000

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 Opus0,007
Tête enseignante GPT0,257
Écart entre enseignants0,250 · 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'étudeThéorique ou conceptuel
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

Citations2
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetICT Impact and PoliciesTravaux en français237 207