Predictive Peacekeeping: Strengthening Predictive Analysis in UN Peace Operations
Notice bibliographique
Résumé
The UN is becoming increasingly data-driven. Until recently, data-driven initiatives have mainly been led by individual UN field missions, but with António Guterres, the new Secretary-General, a more centralized approach is being embarked on. With a trend towards the use of data to support the work of UN staff, the UN is likely to soon rely on systematic data analysis to draw patterns from the information that is gathered in and across UN field missions. This paper is based on UN peacekeeping data from the Joint Mission Analysis Centre (JMAC) in Darfur, and draws on interviews conducted in New York, Mali and Sudan. It will explore the practical and ethical implications of systematic data analysis in UN field missions. Systematic data analysis can help the leadership of field missions to decide where to deploy troops to protect civilians, guide conflict prevention efforts and help preempt threats to the mission itself. However, predictive analysis in UN peace operations will only be beneficial if it also leads to early action. Finally, predictive peacekeeping will not only be demanding of resources, it will also include ethical challenges on issues such as data privacy and the risk of reidentification of informants or other potentially vulnerable people.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,188 | 0,307 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,014 | 0,015 |
| Études des sciences et des technologies | 0,007 | 0,014 |
| Communication savante | 0,022 | 0,038 |
| Science ouverte | 0,006 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».