MétaCan
Menu
Retour à la cohorte
Enregistrement W3010935620 · doi:10.14296/islr.v7i1.5124

Can Huawei sue the US government for defamation?

2020· article· en· W3010935620 sur OpenAlexaboutno aff
Martin Kwan

Notice bibliographique

RevueIALS Student Law Review · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCybersecurity and Cyber Warfare Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGovernment (linguistics)ReputationState (computer science)Competition (biology)BusinessLawChinaPosition (finance)Political scienceLaw and economicsEconomicsFinanceBiologyComputer science

Résumé

récupéré en direct d'OpenAlex

This article studies the law of foreign state immunity from a comparative perspective and uses the facts of Huawei-US controversy as a test case to illustrate the differences in the laws of various jurisdictions. The US government has made a number of allegations against Huawei regarding its 5G products and services. The US has also called for the imposition of a ban on Huawei from competing for 5G contracts in a number of common law countries. As a result, Huawei’s business and its reputation are inevitably damaged. Certain allegations against Huawei’s business ethics may be difficult to support due to lack of evidence to support it. This article evaluates the threshold question of foreign state immunity to see if Huawei can sue the US government for defamation. It is concluded that state immunity would block such a claim in most common law jurisdictions, though it may be possible to sue in Canada. It would mean (1) Huawei does not have sufficient legal protection, and (2) it would imply a country may be able to use defamation as an innovative and strategic tool to interfere with commercial competition whilst it may not have any legal consequence. The position on foreign state immunity in China will be discussed for academic comparison.

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)0,005
score de la tête « metaresearch » (Gemma)0,008
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 enseignants0,046
Score d'incertitude au seuil0,091

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,007
Communication savante0,0040,005
Science ouverte0,0010,002
Intégrité de la recherche0,0060,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,043
Tête enseignante GPT0,354
Écart entre enseignants0,311 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIALS Student Law ReviewMême sujetCybersecurity and Cyber Warfare StudiesTravaux en français237 207