MétaCan
Menu
Retour à la cohorte
Enregistrement W3090515838 · doi:10.35631/ijlgc.520005

LEGAL CHALLENGES OF ADOPTING AGE-VERIFICATION TECHNIQUES FOR THE PROTECTION OF MINORS ON THE INTERNET IN MALAYSIA

2020· article· en· W3090515838 sur OpenAlexfundno aff
Manique Cooray

Notice bibliographique

RevueInternational Journal of Law Government and Communication · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal and Social Justice Studies
Établissements canadiensnon disponible
Organismes subventionnairesKementerian Pendidikan MalaysiaMinistry of Higher Education, MalaysiaMcMaster University
Mots-clésCommitShareholderBusinessLegal liabilityLimited liabilityLawLaw enforcementStrict liabilityLiabilityEnforcementAccountingFinancePolitical scienceCorporate governance

Résumé

récupéré en direct d'OpenAlex

Corporations in the form of Limited Liability Companies in Indonesia are regulated in Limited Liability Company Law No. 40 of 2007 concerning Limited Liability Companies, this Law regulates the liability of corporations and/or shareholders who commit acts against the law, but the liability that can be asked of shareholders does not exceed existing shares. This study uses normative legal research methods. The data used are secondary data consisting of primary legal materials, secondary legal materials, and tertiary legal materials. For data analysis, the qualitative jurisdictional analysis method was used. From this research, it can be found that law enforcement against shareholders who commit acts against the law can be upheld and the outcome is that the action against the law which was originally a civil action and then turned into a criminal act. By using the Piercing, the corporate veil doctrine, shareholders who commit acts against the law can be sentenced to criminal and all their assets to cover the financial losses of the state due to their actions. It is universally applied on the basis of fraudulent acts carried out to rake in personal profit and by implementing civil forfeiture or civil recovery, the proceeds of crimes committed by shareholders are likely to be returned.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,911
Score d'incertitude au seuil0,128

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 Opus0,073
Tête enseignante GPT0,314
Écart entre enseignants0,241 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Law Government and CommunicationMême sujetLegal and Social Justice StudiesTravaux en français237 207