A Comparative Legal Study of Indonesia’s Narcotics Law No. 35 of 2009 and Canada’s Cannabis Regulations SOR/2018-144 on Medical Cannabis Regulation
Notice bibliographique
Résumé
Cannabis has long been subject to strict legal control due to its psychoactive properties and potential for abuse, while at the same time attracting increasing attention for its potential medical applications. This study examines the legal regulation of medical cannabis through a comparative analysis of Indonesia’s Law Number 35 of 2009 on Narcotics and Canada’s Cannabis Regulations SOR/2018-144. The research addresses two main issues: first, how medical cannabis is regulated under the respective legal frameworks of Indonesia and Canada; and second, how Indonesia’s institutional approach, particularly through the National Narcotics Agency, responds to medical cannabis needs in comparison with Canada’s regulatory model. This study employs normative legal research using statutory and comparative approaches, supported by legal literature and relevant institutional data. The findings indicate that Indonesia adopts a prohibition-based approach by classifying cannabis as a Schedule I narcotic, thereby excluding its use for medical purposes on the basis of abuse prevention and public health protection. In contrast, Canada recognizes the medical use of cannabis and regulates it through a comprehensive licensing, distribution, and supervision system involving healthcare professionals. The comparative analysis highlights fundamental differences in legal priorities, regulatory design, and institutional responses, demonstrating how public health considerations and risk management are addressed differently within each legal system. These findings provide insight into the regulatory implications of divergent legal approaches to medical cannabis within contemporary narcotics law.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».