MétaCan
Menu
Retour à la cohorte
Enregistrement W4309473735 · doi:10.1075/lplp.00092.rot

Language policies as a conflict prevention tool

2022· article· en· W4309473735 sur OpenAlexaff
Alessandro Rotta, Slava Balan

Notice bibliographique

RevueLanguage Problems & Language Planning · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePeacebuilding and International Security
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésCohesion (chemistry)Ethnic groupLanguage policyPromotion (chess)Public relationsPolitical scienceInclusion (mineral)SociologyIdentity (music)LinguisticsLawGender studiesPedagogy

Résumé

récupéré en direct d'OpenAlex

Abstract This article outlines the approach of the OSCE High Commissioner on National Minorities to matters related to the use of language, assessing its consistency. Language is a major identity marker and as such can become a contentious issue in multi-ethnic societies. Questions revolving around the use of language can catalyse fights around distribution of power within States. They can also become a source of conflict and tensions between States, requiring the attention of international organizations such as the OSCE. Conversely, sound language policies can be instrumental in defusing tensions and strengthen the cohesion of diverse societies. Since its inception thirty years ago, the HCNM has devised a framework for developing balanced language policies as an instrument for conflict prevention. In the HCNM experience, the promotion and use of minority languages needs to be balanced by the adoption and promotion of one or more official languages. The article argues that the HCNM approach relies on the ‘positive’ securitization of linguistic rights, and proves that through its thematic recommendations the HCNM has embarked on a mission of addressing languages and minorities through inclusion and integration, as an approach to build a win-win model of global and regional security.

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)0,028
score de la tête « metaresearch » (Gemma)0,036
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,150

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,036
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0060,002
Études des sciences et des technologies0,0070,014
Communication savante0,0120,007
Science ouverte0,0020,010
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,027
Tête enseignante GPT0,361
Écart entre enseignants0,334 · 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'étudeThéorique ou conceptuel
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLanguage Problems & Language PlanningMême sujetPeacebuilding and International SecurityTravaux en français237 207