Créer un terreau fertile pour la concurrence mémoire du Bureau de la concurrence présenté à Santé Canada et au comité d'experts pour appuyer l'examen législatif de la Loi sur le cannabis
Bibliographic record
Abstract
« Ce rapport explore la dynamique concurrentielle de l'industrie canadienne du cannabis, fait enquête sur les obstacles potentiels à la concurrence, à l'innovation et au choix, et formule des recommandations pour renforcer la concurrence et soutenir un secteur légal plus concurrentiel. Le Bureau de la concurrence a entrepris son étude de l'industrie du cannabis pour appuyer les objectifs de l'examen législatif de la Loi sur le cannabis mené par Santé Canada. Bien que la réglementation sur l'industrie du cannabis soit une responsabilité partagée entre les gouvernements fédéral, provinciaux et territoriaux, l'examen législatif se concentre sur les questions relevant de la compétence fédérale, en particulier celles qui sont du ressort du ministre de la Santé et de la ministre de la Santé mentale et des Dépendances. Ainsi, d'autres questions fédérales (p. ex. les droits d'accise), ainsi que des questions relevant de la compétence provinciale et territoriale (p. ex. la distribution et la vente au détail du cannabis), ne font pas partie du champ d'application de l'examen législatif » -- Résumé, page 6
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.041 | 0.049 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.035 | 0.014 |
| Scholarly communication | 0.025 | 0.008 |
| Open science | 0.004 | 0.010 |
| Research integrity | 0.011 | 0.016 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".