MétaCan
Menu
Retour à la cohorte
Enregistrement W6888756840 · doi:10.22281/2413-9912-2022-06-04-95-102

LEGAL REGULATION OF THE USE OF FOREST RESOURCES IN RUSSIA FOR CHEMICAL INDUSTRY IN THE SECOND HALF OF THE XVII — THE FIRST QUARTER OF THE XVIII CENTURIES

2022· article· en· W6888756840 sur OpenAlexaboutno aff

Notice bibliographique

RevueDOAJ (DOAJ: Directory of Open Access Journals) · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal and Regulatory Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésQuarter (Canadian coin)NormativeState (computer science)Production (economics)Relevance (law)Forest industry

Résumé

récupéré en direct d'OpenAlex

In the history of any state, the forest domain played a great role. Russia, being a country with the richest forest resources, pays great attention to the state regulation of forest management and forest conservation. The history of the use of forest resources is part of the history of Russia. The relevance of the topic is due to the change in the concept of teaching the history of Russia for students studying in specialized historical and non-core specialties and areas of training in universities. The number of hours devoted to the study of national history is increasing; the history of Russia will be singled out from the course of world history as an independent academic discipline. Students will have the opportunity to study in more detail various aspects of the history of the Russian state. The article analyzes the measures of state regulation of the use of forest resources for the production of potash, resin and tar in Russia in the 17th century. — the first quarter of the XVIII century. and also questions of regulation of trade in the specified goods. The analysis of normative legal acts that determined the conditions and features of production and trade in products obtained from wood processing was carried out. It is concluded that the state’s focus only on administrative and legal measures to regulate the use of forests in Russia, without taking into account economic realities, demonstrates low efficiency and leads to crisis phenomena in the area under study.

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)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0040,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,138
Tête enseignante GPT0,446
Écart entre enseignants0,308 · 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.

Devis d'étudeObservationnel
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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDOAJ (DOAJ: Directory of Open Access Journals)Même sujetLegal and Regulatory AnalysisTravaux en français237 207