MétaCan
Menu
Retour à la cohorte
Enregistrement W4385234879 · doi:10.5430/bmr.v12n1p48

Cost-Efficiency Evaluation into the European Union Budget

2023· article· en· W4385234879 sur OpenAlexvenueno aff
Antonio Sánchez‐Bayón, Fco. Javier Sastre Segovia, Ricardo Vega

Notice bibliographique

RevueBusiness and Management Research · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRegional Development and Policy
Établissements canadiensnon disponible
Organismes subventionnairesUniversidad Rey Juan CarlosUniversidad Internacional de La Rioja
Mots-clésEuropean unionEconomicsEconomic policyEuropean integrationInternational tradeBusinessInternational economicsEconomyEconomic system

Résumé

récupéré en direct d'OpenAlex

This review is a qualitative study, according to the heterodox approaches, assessed the leading beneficient State under the European Union budget system. For this purpose, the study utilized the Multiannual Financial Framework reports between 2014-2020, which dealt with more than 700 indicators, measuring success against more than 60 general objectives, and more than 220 specific objectives in the performance framework. Therefore, trade globalization, political economy, economic history, social contribution by the European Union budget, and international economics under new-institutional economics have been evaluated in this process. Assessment outcomes found that poorer Member States are the net beneficient regarding the European Union budget’s net balance and financial corrections. However, Germany is the leading beneficient of the European Union budget system as it has extended trade to all along the border of the European Union without tariffs and has become a more cost-effective economy against the outside economies (like the United States of America or China) of the European Union territory. Thus, the current study suggested that nations under the European Union budget system should invest more in sustainable production to get real-time benefit from the European Union integration.

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)0,047
score de la tête « metaresearch » (Gemma)0,067
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: aucune
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,248

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0470,067
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,011
Études des sciences et des technologies0,0020,003
Communication savante0,0100,009
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,239
Tête enseignante GPT0,469
Écart entre enseignants0,230 · 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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBusiness and Management ResearchMême sujetRegional Development and PolicyTravaux en français237 207