Hvordan kan markedsføring og salg reguleres i et norsk cannabismarked
Bibliographic record
Abstract
Vi har i løpet av denne oppgaven gått igjennom hvordan et norsk cannabismarked kan bli\nregulert, samt sett på markedsføring og salg innenfor dette markedet. Dette har vi gjort \n3\ngjennom å se på ulike reguleringsmodeller i allerede eksisterende cannabismarkeder i tre ulike\nland, herunder Canada, Uruguay og USA. I tillegg vurderte vi nærmere noen allerede\neksisterende reguleringsmodeller i Norge som vi anså som relevante for implementering i et\npotensielt cannabismarked, herunder tobakk, legemidler, alkohol og pengespill. Dette ble\ngjort gjennom å se på sekundærdata, samt informasjon gitt til oss av anonyme\ninformanter. Under drøftingen av disse reguleringsmodellene kikket vi også på hvordan\nmarkedsføring og salg foregår, samt hvilke gråsoner som eksisterer innenfor disse områdene,\nfor så å knytte dette opp mot marihuana. Videre gjorde vi rede for vår metodedel og hvordan\ndenne egentlig skulle gjennomføres før Covid-19 inntraff, samt fortelle om de hindringer vi\nopplevde i forbindelse med dette.\nNår alt dette lå til grunne gikk vi videre til del 2 av oppgaven hvor arbeidet med å analysere\nog sammenligne innhentet data i del 1 begynte. Først drøftet vi rundt hvilke sektorer i det\nnorske markedet et potensielt cannabismarked burde falle innenfor, basert på hvordan dette\nhar blitt løst i de tre ulike landene vi så på i del 1, samt hvilke sektor de fire lignende\nmarkedene faller inn under i Norge. Videre gjorde vi utregninger og vurdering rundt\nstørrelsen og potensialet på det norske markedet, blant annet ved å se på priselastisitet i det\nulovlige markedet og gjennom en vurdering av dokumentet “Rusreformen - fra straff til\nhjelp”, for å kunne se på hvordan salg i et norsk cannabismarked vil kunne se ut, samt trekke\ndette opp mot salg i de fire ulike kategoriene tobakk, legemidler, pengespill og alkohol. Når\ndette lå til grunne kikket vi på hvordan markedsføringen i et norsk cannabismarked vil kunne\nse ut, både i offentlig, men også i privat sektor. Dette for å se på eventuelle fordeler og\nulemper. Videre vil vi legge frem en konklusjon basert på funnene våre gjort i løpet av denne\noppgaven.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.115 | 0.040 |
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".