MétaCan
Menu
Retour à la cohorte
Enregistrement W2606272886 · doi:10.1111/nejo.12177

Precedents in Negotiated Decisions: Korea–Australia Free Trade Agreement Negotiations

2017· article· en· W2606272886 sur OpenAlexaboutno aff
Larry Crump, Don Moon

Notice bibliographique

RevueNegotiation Journal · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueConflict Management and Negotiation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNegotiationFree trade agreementPolitical scienceInternational tradePhilosophy of lawAgreementInternational economicsLaw and economicsBusinessLawEconomicsFree tradeComparative lawLinguisticsPhilosophy

Résumé

récupéré en direct d'OpenAlex

Abstract Initial random acts can be replicated and evolve into precedents, but precedents can also be built with strategic intent. Regardless of their origin, strategically applying a particular precedent or effectively refuting the relevance of a precedent can help a negotiator control decisions and achieve interdependent goals. The purposeful use of precedents has received little attention in the negotiation literature, even though using precedents can be a powerful negotiating tactic. In this study, we examine how past decisions became precedents that helped establish the Korea–Australia Free Trade Agreement of 2014 (KAFTA). We further consider how precedents established through KAFTA later influenced trade negotiations with Canada, China, India, and Japan. Following an extensive literature review and field research, we developed a two-dimensional matrix (precedent ownership and negotiator goals) to help guide negotiators both offensively (what I want from you) and defensively (what I don't want to give you). We conclude by proposing research to enhance our understanding of temporal issues in negotiation. No previous study within the negotiation literature has examined precedents empirically.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0060,006
Communication savante0,0060,005
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,120
Tête enseignante GPT0,395
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNegotiation JournalMême sujetConflict Management and NegotiationTravaux en français237 207