MétaCan
Menu
← Retour à la cohorte
Enregistrement W3168285016

Federalism and Animal Law in Canada: A Case for Federal Animal Welfare Legislation

2020· article· en· W3168285016 sur OpenAlexaboutno aff
Samantha Skinner

Notice bibliographique

RevueSSRN Electronic Journal · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCriminal Law and Evidence
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislationLawPolitical scienceJurisdictionFederal jurisdictionFederalismSupreme courtScrutinyLegislatureJurisprudenceExclusive jurisdictionConstitutionFederal lawPolitics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This article explores the subject of laws as they influence animals within Canadian federalism. Part I explains the division of powers as a barrier for animal protections in Canada. As the subject of animals is not expressly articulated within the division of powers, laws have been passed by both federal and provincial legislatures (including municipal by-laws) which relate to animals. Unfortunately, the resulting jurisdiction-specific laws result in patchwork protections and a lack of uniformity in animal laws across Canada. Federal legislation is needed to ensure uniform protections for animals nation-wide. Part II addresses the question of jurisdiction: which level of government has the jurisdiction to legislate laws about animals? Jurisprudence from the Supreme Court is reviewed, and the division of powers test is applied to two current – albeit highly aspirational – pieces of draft animal rights legislation. Part III offers guidelines and considerations for future draft federal legislation which may withstand constitutional scrutiny. Legislation which criminalizes the abuse of animals has a high chance of withstanding a constitutional challenge as it is firmly rooted in the federal powers of criminal law.

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)0,009
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,204
Score d'incertitude au seuil0,923

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,025
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0330,028
Communication savante0,0130,005
Science ouverte0,0030,005
Intégrité de la recherche0,0100,013
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 Opus0,027
Tête enseignante GPT0,286
Écart entre enseignants0,259 · 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'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 revueSSRN Electronic Journal→Même sujetCriminal Law and Evidence→Travaux en français237 207→