Supporting Alternative Incentive Mechanisms for Digital Content: A Comparison of Canadian and US Policy
Notice bibliographique
Résumé
This paper compares the Government of Canada’s copyright focused approach for encouraging the production of digital content with the U.S. Government’s adoption of a range of incentive systems for the production of content through a content analysis of government policy papers. The first part of the paper examines Canadian policy outlined in the Improving Canada’s Digital Advantage consultation paper and the proposed amendments to the Copyright Act (Bill C-32). The paper argues the government is overly reliant on copyright to encourage the production of creative digital content. Though Bill C-32 would expand the definition of fair dealing and create a user generated content exception, the effectiveness of these measures is severely limited by through the proposed protections for technological protection measures. The second part of the paper examines innovative alternatives to copyright that are being promoted by the U.S. government. The Obama Administration’s Open Government Directive not only provides citizens with access to government data, but also calls on federal departments to use prizes to encourage innovative uses of the data. The U.S. National Institutes of Health has taken a leading role in promoting open access publication of research funded with federal monies by requiring deposit of publications resulting from research in the open access repository PubMed Central. The paper concludes by positing that Canada’s digital economy strategy would be strengthened by providing greater federal support for alternatives to intellectual property such as open data and open access and lessening the focus on copyright as an incentive digital content production.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».