MétaCan
Menu
Retour à la cohorte
Enregistrement W4390022022 · doi:10.7202/1106950ar

ADAPTING TO NEW REALITIES

2023· article· fr· W4390022022 sur OpenAlexvenueno aff
Roman Lechner

Notice bibliographique

RevueAssurances et gestion des risques · 2023
Typearticle
Languefr
DomaineEconomics, Econometrics and Finance
ThématiqueInsurance and Financial Risk Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologySociology

Résumé

récupéré en direct d'OpenAlex

The events of the last three years hâve provided some very painful lessons to the insurance industry and its customers, particularly regarding the size of the material and financial risks they face.Insur ers received their wakeup call at the bottom of the underwriting cycle, when the rates they offered were based upon an assumption of extraordinarily high investment yields.Today the soft market busi ness model is no longer viable.Already during 2000/01 renewals, it was évident that the soft market phase was coming to an end.Rates for commercial business and reinsurance began to rise slowly as equity markets peaked.The once constant capital gains income stream not only ran dry, but tumed very sour.However, it was the tragic and shocking event of 11 September 2001, in which 3,000 people lost their lives and 2,500 were injured that finally catapulted rates in most risk categories.Insured damage amounted to approximately USD 40 billiontwice the amount of Hurricane Andrew in August 1992, the second largest insured single event.The insurance industry was called to pay for a hitherto unimaginable risk in a dimension they had not calculated.From a financial perspective, the terrible spectre of 11 September did not represent the greatest burden for the insurance industry.Rather, it was the fall of equity markets world-wide that destroyed USD 100 billion in the non-life industry alone.Life insurers could hâve lost even more on their asset portfolios; however they offloaded

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)0,006
score de la tête « metaresearch » (Gemma)0,019
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: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,084

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,019
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,008
Communication savante0,0100,014
Science ouverte0,0020,007
Intégrité de la recherche0,0040,009
Charge utile insuffisante (le modèle a refusé de juger)0,0250,005

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 Opus0,077
Tête enseignante GPT0,281
Écart entre enseignants0,204 · 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
GenreCommentaire

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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAssurances et gestion des risquesMême sujetInsurance and Financial Risk ManagementTravaux en français237 207