Fragile and Conflict-Affected States: Exploring the Relationship Between Governance, Instability and Violence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
‘Fragile and conflict-affected states’ (FCAS) constitute an increasingly important category of aid policy and action. But the category comprises a large and heterogeneous set of countries, problematizing coherent policy response which is often awkwardly split between boilerplate strategy and case-by-case approach. In both respects, efficiency of aid allocations is questionable. There is a need to disaggregate the category into smaller groups of countries, understood according to a more nuanced interpretation of the nature of their fragility. Disaggregation, however, is challenging insofar as it is hard to find a stable reference point internal to the category by which states’ relative performance – and causes of performance – can be determined. An alternative approach is to seek a reference point external to the entire FCAS category – for example a multilateral initiative – which allows us to explore systematic differences between those who sign up and those who do not. This research took the UN’s Scaling Up Nutrition (SUN) initiative as such a mechanism. Splitting FCAS into two groups – those who had joined SUN within its initial two-year phase and those who had not – we reviewed a range of social, economic, political, institutional and conflict/instability indicators to identify areas of significant difference. An unexpected finding was that while SUN-joiners performed statistically better on governance, there was no difference between joiners and non-joiners on the level of instability and violence they suffered, suggesting that some countries, even at high levels of conflict disruption, can achieve areas of relatively good governance.
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.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle