MétaCan
Menu
Retour à la cohorte
Enregistrement W4232323097 · doi:10.33002/nr2581.6853.03034

Analysis of Ukrainian National Legislation and European Union Standards on Animal Use for Scientific Purposes: Directions and Prospects

2020· article· en· W4232323097 sur OpenAlexaff
Anna Liubchych, Hasrat Arjjumend, Panfilova Daria, Олена Савчук

Notice bibliographique

RevueGrassroots Journal of Natural Resources · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueLegal, Health, Environmental and COVID-19 Challenges
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésLegislationEuropean unionUkrainianPolitical scienceContext (archaeology)Government (linguistics)Public administrationLawBusinessEconomic policyGeography

Résumé

récupéré en direct d'OpenAlex

The tasks of analyzing the processes underneath the integration of national legislation of Ukraine conforming with that of the European Union are critical for strengthening the State in quest of gaining membership in the European Union with the achievement of the strategic goals. This analytical article aims: 1) to unveil the genesis of the legal reform in the field of animal protection from ill-treatment and the use of animals for scientific purposes in Ukraine, 2) to analyze and summarize the features of regulations pertaining to the protection of animals from abuse within the EU, and 3) to outline further directions in reforming the domestic legislation of Ukraine concerning animal protection against ill-treatment and use of animals for scientific purposes in the context of European integration. Ukraine is gradually intensifying the process of reforming domestic legislation concerning cruelty to animals and use of animals for scientific purposes. The Verkhovna Rada (the Supreme Council) of Ukraine adopted Draft Law № 2351 of 30.10.2019, which still requires reformation to solve the highlighted problems. Some solutions are recommended for the Government of Ukraine.

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)0,014
score de la tête « metaresearch » (Gemma)0,010
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: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,098

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0020,004
Communication savante0,0050,003
Science ouverte0,0010,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,041
Tête enseignante GPT0,307
Écart entre enseignants0,265 · 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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGrassroots Journal of Natural ResourcesMême sujetLegal, Health, Environmental and COVID-19 ChallengesTravaux en français237 207