MétaCan
Menu
Retour à la cohorte
Enregistrement W3048206913 · doi:10.4236/ojbm.2020.85118

An Economic Study of the US Post-9/11 Aviation Security

2020· article· en· W3048206913 sur OpenAlexaboutno aff
James Michael Ford, Ardeshir Faghri, Dian Yuan, Saumabha Gayen

Notice bibliographique

RevueOpen Journal of Business and Management · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueAviation Industry Analysis and Trends
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAviationAirport securityRevenueTerrorismBusinessEconomic securityFinanceEconomicsEconomic growthComputer securityEngineeringPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

The Aviation Security world changed drastically following the terrorist attacks of September 11th, 2001. In this paper we look at 1) the changes that occurred to the aviation security sector and 2) how the United States aviation security compares to other parts of the world. Currently the United States has the most expensive aviation security infrastructure in the world. The main motivation of this topic was to find out why the United States was spending so much and assessing whether its aviation security sector was economically efficient. In this paper the authors provide the history of aviation security and the changes that took place post 9/11. A cost breakdown is presented and whether the amount of money being spent is worth the benefits received is discussed. This study also compares the United States’ aviation security to that of Europe and Canada. These comparisons analyze how the total expenditure for the U.S. Transportation Security Administration (TSA) is similar/dissimilar to the aviation security expenditures in Europe and Canada. Recommendations for future budgets and tax revenues are also made. Overall, it is concluded that the amount of TSA’s spending on aviation security is justified.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,116
Score d'incertitude au seuil0,230

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,005
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,036
Tête enseignante GPT0,246
Écart entre enseignants0,209 · 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'étudeObservationnel
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen Journal of Business and ManagementMême sujetAviation Industry Analysis and TrendsTravaux en français237 207