MétaCan
Menu
Retour à la cohorte
Enregistrement W4402837056 · doi:10.1080/13880292.2024.2396229

Assessing the Potential for Legal Liability to Create Incentives for Agencies to Reduce Wildlife–Vehicle Collisions in Canada and the United States

2024· article· en· W4402837056 sur OpenAlexaffabout
Renee Callahan, Noah Lister-Stevens, Marta Brocki, Victoria Blake, Nina‐Marie Lister

Notice bibliographique

RevueJournal of International Wildlife Law & Policy · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAnimal Disease Management and Epidemiology
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésWildlifeIncentiveBusinessLiabilityEnvironmental planningPoachingWildlife tradeNatural resource economicsGeographyFinanceEconomicsEcology

Résumé

récupéré en direct d'OpenAlex

Despite proven effectiveness in reducing motorist crashes involving wildlife, systematic inclusion of wildlife-mitigation measures during highway planning and projects continues to vary by jurisdiction in the United States and Canada. Some agencies invest significant resources to reduce wildlife–vehicle collisions (WVCs), while others invest few or no resources. Various factors have been identified as relevant in explaining why some jurisdictions are more proactive than others in addressing WVCs. This analysis builds on existing literature by comparing select legal decisions in the United States and Canada regarding public authority liability for failures to remediate known WVC hot spots, with the goal of assessing the potential role of liability in creating incentives for government decision makers to systematically address motorist crashes involving animals.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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: Empirique
Score de désaccord entre enseignants0,651
Score d'incertitude au seuil0,785

Scores Codex et Gemma par catégorie

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

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 Opus0,029
Tête enseignante GPT0,326
Écart entre enseignants0,297 · 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.

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

Citations0
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of International Wildlife Law & PolicyMême sujetAnimal Disease Management and EpidemiologyTravaux en français237 207