Strategic Insights into the Cauvery River Dispute in India
Notice bibliographique
Résumé
For hundreds of years, conflicts in water sharing have existed all around the globe. Cauvery River, in the southern part of India, has been in the midst of such conflict for the last 130 years. Historically, the conflict has been about the right to use water and the states/provinces in conflict have used the water from the river for agricultural purposes. Due to industrialization in the late 1980s and increasing population, water availability in the region has become stressed. Climate change has exacerbated the region’s water availability issues. Faltering rainfall has caused unrest in the region, and the traditional methods of water sharing are dwindling under political pressure. Without a climate change strategy, the governments of these states will never be able to solve this complex issue at hand. The Graph Model for Conflict Resolution (GMCR) is applied to understand the nuances of this conflict. It models the preferences of the decision-makers (the states of Tamil Nadu and Karnataka) and the common option (goal) they can reach to potentially solve the conflict. Fuzzy preferences along with option prioritization is also applied to this conflict in order to account for the uncertainties in the decision-makers’ preferences. The purpose of this paper is to nudge decision-makers in a productive direction to overcome the long-impending political standoff, while introducing a new methodology of looking into this old conflict.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».