MétaCan
Menu
Retour à la cohorte
Enregistrement W4289528134 · doi:10.3390/safety8030055

Leveraging Intellectual Property to Prevent Nuclear War

2022· article· en· W4289528134 sur OpenAlexafffund
Joshua M. Pearce

Notice bibliographique

RevueSafety · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueNuclear Issues and Defense
Établissements canadiensWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGoodwillNuclear weaponHarmBusinessInternational tradeIntellectual propertyNuclear ethicsComputer securityLaw and economicsEconomicsLawFinancePolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

Although international law forbids nuclear attacks, only nine states have mutually assured destruction available to prevent direct attacks against themselves, while non-nuclear states have few substantive options to deter a nuclear attack. This study analyzes the economic impacts of a theoretical international agreement that eliminates patent rights for any nuclear aggressor (i.e., free global compulsory licensing of all intellectual property (IP) for a nuclear aggressor). The results found that all but one of the nuclear states would have a significant economic disincentive to start a nuclear attack if the proposal was put into force. Payback times ranged from 1.2 to 40 years, where the entire GDP of a nuclear aggressor would be needed to offset the loss for aggression, indicate such a mechanism as a whole would be an effective nuclear deterrent. This method would not be universally effective without ensuring all nuclear states are members of the international economy and IP processes. With the growth of open-source products and reduced value of patents, this mechanism does have a limited effectiveness time. Currently it appears to be a policy trajectory worthy of future work that can enhance safety from nuclear threat without causing harm to countries of goodwill.

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)0,004
score de la tête « metaresearch » (Gemma)0,014
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 enseignants0,011
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,005
Communication savante0,0050,006
Science ouverte0,0010,005
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,002

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 GPT0,276
Écart entre enseignants0,250 · 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
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSafetyMême sujetNuclear Issues and DefenseTravaux en français237 207