Conflict, extremism, resilience and peace in South Asia; can covid-19 provide a bridge for peace and rapprochement?
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
South Asia, home to 1.97 billion people (25% of the world’s population), is no stranger to conflict and confrontation. Longstanding border disputes (such as between India and China and the decades-old standoff between India and Pakistan), the forced displacement of Myanmar Muslims to Bangladesh, and the 2021 rise of the Taliban triggering a mass exodus of professionals and educated women from Afghanistan underscore the enormous volatility and unpredictability of the region. Climate change poses a further challenge, with the real risk of interstate “water wars.”1 Indeed, South Asia now faces a range of threats, with real risks of these spilling over into interstate conflict.\nThe links between longstanding conflict, insecurity, and poverty are well recognised.23 Abject poverty, especially when associated with disparities, underlies many of the known conflicts worldwide, unsurprisingly given the drain conflict places on social sector spending. And although lack of social inclusion and ethnic inequalities have been shown to lead to domestic terrorism,4 economic inequalities and grievances are stronger drivers of rebellion,5 and are particularly relevant in South Asia. Despite robust economic growth and progress on many technological fronts, South Asia still has the world’s largest concentrations of poverty, illiteracy, malnutrition, and preventable maternal and child deaths outside sub-Saharan Africa.6 Widespread poverty is closely intertwined with social disparities, marginalisation on the basis of an egregious caste system, and vast inequities that perpetuate disillusionment, grassroot rebellion, and further 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.
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 | 0,001 | 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 | 0,000 |
| 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