MétaCan
Menu
Retour à la cohorte
Enregistrement W7113610496

From Smokes to Smokestacks:Lessons from Tobacco for the Future of Climate Change Liability

2017· article· en· W7113610496 sur OpenAlexaboutno aff

Notice bibliographique

RevueUWA Profiles and Research Repository (University of Western Australia) · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEnvironmental law and policy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislationDamagesLegislatureClimate changeTortMirroringLiabilityRedressPromulgation
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In this Article, we imagine a future, circa 2030, wherein the world has managed to avoid the worst climate change, yet has begun to experience considerable warming. Governments of all levels, especially at the state and provincial-level, are incurring unprecedented costs to mitigate the effects of climate change and adapt to new and uncertain climatic regimes. We consider how legislatures might respond to these imagined challenges. In our view, the answer may lie in the unprecedented story of tobacco liability, and especially the promulgation of state and provincial legislation specifically designed to enable the recovery of the public healthcare costs of tobacco-related diseases in the 1990s. This Article delves into the legally-relevant differences and similarities between the tobacco industry and the fossil-fuel industry. It also sets out the main elements of a potential Climate Change Damages and Adaptation Costs Recovery Act, mirroring similar legislation passed to combat tobacco-related issues. As will be seen, the design of such legislation engages several complex legal issues, implicating not only tort doctrine but also questions of legislative competence and private international law. Nevertheless, our initial assessment is that such legislation is both likely and feasible. Our analysis focuses primarily on Canadian law but is relevant to other jurisdictions grappling with the increasing costs of climate change mitigation and adaptation.

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)0,007
score de la tête « metaresearch » (Gemma)0,013
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 enseignants0,074
Score d'incertitude au seuil0,146

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0090,032
Communication savante0,0110,018
Science ouverte0,0020,005
Intégrité de la recherche0,0170,018
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,149
Tête enseignante GPT0,407
Écart entre enseignants0,257 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUWA Profiles and Research Repository (University of Western Australia)Même sujetEnvironmental law and policyTravaux en français237 207