LEGALIZING MEDICAL CANNABIS AND AVOIDING ILLICIT MARKETS IN NIGERIA: A TRIPARTITE CASE STUDY ANALYSIS TOWARDS ACHIEVING AN EFFECTIVE MARKET MODEL
Notice bibliographique
Résumé
As Nigeria contemplates the legalization of medical cannabis to unlock its therapeutic and economic potential, it is imperative to learn from the experiences of pioneering nations. This paper conducts a comparative analysis of three distinct regulatory models—Canada’s comprehensive federal legalization, the Netherlands’ pragmatic tolerance through its coffee shop system, and the United States’ fragmented state-by-state approach—to dissect the persistent drivers and adaptive practices of illicit cannabis providers. Despite the establishment of legal medical and, in some cases, recreational markets, illicit operators have demonstrated remarkable resilience. The paper argues that their persistence is not a failure of legalization per se, but a direct consequence of specific policy designs that create competitive advantages for the illegal market. Through a detailed examination of the regulatory gaps and consumer preferences, the paper illuminates why illicit markets endure. It recommends a distinct pathway for the legalization of cannabis in Nigeria arising the different models of the three countries examined, to avoid the pitfalls inherent in their individual models. For Nigeria, the lessons are clear: a successful medical cannabis program must be deliberately designed to outcompete the illicit market from the outset. This requires a careful balancing act—implementing smart tax policies to ensure price competitiveness, creating inclusive and accessible regulatory frameworks that do not exclude small-scale farmers or patients, ensuring comprehensive product and geographic coverage, and learning from the enforcement pitfalls of the case studies.
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 | 0,018 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».