G20 Members: Approaches to Regulating Digital Markets
Notice bibliographique
Résumé
The object of this working paper is the policy and priorities of the digital economy leaders (the G20 members) in regulating digital platforms. The goal of the study is to assess the impact of these countries’ policies in the field of digital platforms regulation and to develop recommendations regarding Russia’s policy on digital platforms and its participation in developing new global regulatory approaches. In order to achieve this goal, the working paper addresses the following objectives: to clarify the criteria and select the leading countries from among the G20 members on the basis of expert assessments and data from international ratings; to carry out the analysis of policies and priorities of the selected digital leaders (UK, USA, Canada, EU, Japan, Korea, India, China) as well as Russia in regulating digital platforms; to develop recommendations regarding Russia’s policy on digital platforms regulation at the national level, as well as promoting its approach within the G20 and other multilateral institutions. The study is highly relevant since the leading developed countries increase their regulatory potential, including through the consistent inclusion of their standards and cooperation norms they have developed in the documents adopted by multilateral organizations, and thus create a global market for their goods and services, and additional opportunities for their companies. The study shows that a strong potential exists for a positive effect in terms of a coordinated approach to regulating digital platforms’ activities at the international level. In this context, it is important for Russia to integrate the issues of digital platforms regulation into the BRICS and G20 digital economy agendas.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,002 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».