Identifying the factors influencing the development of bilateral investment treaties with health safeguards: a Machine Learning-based link prediction approach
Notice bibliographique
Résumé
A network analysis approach, complemented by machine learning (ML) techniques, is applied to analyse the factors influencing Bilateral Investment Treaties (BITs) at the country level. Using the Electronic Database of Investment Treaties, BITs with health safeguards from 167 countries were charted, resulting in 534 connections with countries as nodes and their BITs as edges. Network analysis found that, on average, a country established BITs with six other nations. Additionally, we used node embedding techniques to generate features from the network, such as the Jaccard coefficient, resource allocation, and Adamic Adar for downstream link prediction. This study employed five tree-based ML models to predict future BIT formations with health inclusion. The eXtreme Gradient Boosting model proved to be superior, achieving a 64.02% accuracy rate. Notably, the Common Neighbor centrality feature and the Capital Account Balance Ratio emerged as influential factors in creating new BITs with health inclusions. Beyond economic considerations, our study highlighted a vital intersection: the nexus between BITs, economic growth, and public health policies. In essence, this research underscores the importance of safeguarding public health in BITs and showcases the potential of ML in understanding the intricacies of international treaties.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».