MétaCan
Menu
Retour à la cohorte
Enregistrement W4319339626 · doi:10.2478/aoas-2022-0092

Cell-Based Meat Labeling – Current Worldwide Legislation Status – A Review

2023· review· en· W4319339626 sur OpenAlexaboutno aff
Tomáš Vlčko, Krzysztof Bokwa, Iwo Jarosz, Andrzej Szymkowiak, Jozef Golian, Marcin Adam Antoniak, Piotr Kulawik

Notice bibliographique

RevueAnnals of Animal Science · 2023
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueAgriculture Sustainability and Environmental Impact
Établissements canadiensnon disponible
Organismes subventionnairesVedecká Grantová Agentúra MŠVVaŠ SR a SAV
Mots-clésLegislationEuropean unionBusinessInternational tradeInvestment (military)Economic policyPolitical scienceLaw

Résumé

récupéré en direct d'OpenAlex

Abstract A growing interest has been noted among both industry operatives and consumers in cell-based meat (CBM), as visible in the increasing investment into this technology by major food industry corporations. However, in almost all countries worldwide, there is a lack of clear legislation with regard to the labeling of such products. The aim of the article is to collect and review current legal regulations concerning the international approval and labeling of these types of products. In the manuscript, we review and analyze the legal situation of CBM and its labeling in countries from 4 different continents (EU members, the UK, the USA, Canada, Australia and New Zealand, Japan, Singapore and Israel). Aside from Singapore, no other country has approved CBM for placement on the market. The US has reached an agreement and established regulatory frameworks on CBM matters, where both the USDA and the FDA will be the control institutions. Within the European Union, CBM products will be evaluated under the Novel Food Regulation. The most anticipated process in other countries is the evaluation of CBM under the legislation on novel foods and subsequent amendments. Since local laws are still being developed, special care should be taken by the policymakers to avoid implementing local laws which could cause a negative approach to the technology by the consumers.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,968
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,116
Tête enseignante GPT0,397
Écart entre enseignants0,281 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of Animal ScienceMême sujetAgriculture Sustainability and Environmental ImpactTravaux en français237 207