MétaCan
Menu
Retour à la cohorte
Enregistrement W4400142158 · doi:10.1016/j.drugpo.2024.104500

Structuring adaptations: Resilience, restrictive deterrence, and the Cunningham precursor control papers

2024· article· en· W4400142158 sur OpenAlexafffund
Martin Bouchard, Carlos Ponce

Notice bibliographique

RevueInternational Journal of Drug Policy · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensUniversity of the Fraser ValleySimon Fraser University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésStructuringScholarshipDeterrence theoryResilience (materials science)Control (management)Psychological resilienceWork (physics)Psychological interventionDeterrence (psychology)SociologyLaw and economicsPublic relationsBusinessPolitical sciencePsychologySocial psychologyEconomicsLawEngineeringManagement

Résumé

récupéré en direct d'OpenAlex

Inspired by Giommoni's assessment of the Cunningham precursor control scholarship, we propose two concepts to help drug policy scholars think through the mechanisms that operate when market participants are faced with a change in precursor availability. The first is the concept of restrictive deterrence, that emphasizes risks mitigation strategies such as looking into changes in the frequency, methods, markets that may occur after different types of interventions. While restrictive deterrence is an improvement over current approaches in thinking through adaptations, it falls short in its narrower focus on the individual, rather than organizations or the market as a collective. The concept of resilience is then proposed as alternative that allows scholars to elaborate specific hypotheses and assess both organizations and markets based on their capacity to anticipate, cope, adapt and ultimately recover from disruptions. We finish by providing a reading of the Cunningham and colleagues precursor control papers with the resilience framework in mind, showing that many of the elements were already present in their work.

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)0,009
score de la tête « metaresearch » (Gemma)0,033
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 enseignants0,009
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,033
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0030,018
Communication savante0,0040,006
Science ouverte0,0020,006
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,020
Tête enseignante GPT0,296
Écart entre enseignants0,276 · 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

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Drug PolicyMême sujetPharmaceutical Economics and PolicyTravaux en français237 207