An NLP-based novel approach for assessing national influence in clause dissemination across bilateral investment treaties
Notice bibliographique
Résumé
International investment agreements (IIAs) promote foreign investment. However, they can undermine crucial health programs, creating a dilemma for governments between corporate and public health interests. For this reason, including clauses that safeguard health has become an essential practice in IIAs. According to the current literature, some countries have played a pivotal role in leading this inclusion, while others follow the former ones. However, the existing literature needs a unique approach that can quantify the influence strength of a country in disseminating clauses that explicitly mention health provisions to others. Following an NLP (Natural Language Processing)-based text similarity analysis of Bilateral Investment Treaties (BITs), this study proposes a metric, 'Influence' (INF), which provides insights into the role of different countries or regions in the propagation of IIA texts among BITs. We demonstrate a comprehensive application of this metric using a large agreement dataset. Our findings from this application corroborate the evidence in the current literature, supporting the validity of the proposed metric. According to the INF, Germany, Canada, and Brazil emerged as the most influential players in defensive, neutral, and offensive health mentions, respectively. These countries wield substantial bargaining power in international investment law and policy, and their innovative approaches to BITs set a path for others to follow. These countries provide crucial insights into the direction and sources of influence of international investment regulations to safeguard health. The proposed metric holds substantial usage for policymakers and investors. This can help them identify vital global countries in IIA text dissemination and create new policy guidelines to safeguard health while balancing economic development and public health protection. A software tool based on the proposed INF measure can be found at https://inftool.com/.
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 | 0,007 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,025 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».