A Meta-Analysis of the Impact of External Interventions on Conflict Intensity: Navigating Heterogeneity and Unveiling Genuine Effects
Notice bibliographique
Résumé
We investigate 833 reported estimates detailing the impact of external interventions aimed at alleviating civil war on conflict intensity. This investigation encompasses 34 studies conducted between 1996 and 2020, primarily focusing on African countries. While the average reported effect is both negative and statistically significant, our analysis reveals substantial divergence in the results. We apply meta-regression analysis to examine the sources of this heterogeneity. Our main findings are as follows. First, differences in data, intervention targets, conflict intensity measures, and the publication year of the primary studies account for the observed heterogeneity in reported estimates. Second, we find no evidence of publication selection bias that aligns with prior beliefs, theoretical expectations, or statistical significance. Third, after considering potential sources of heterogeneity and publication bias, the overall genuine effect of external intervention remains negative and statistically significant. This implies that external intervention efforts do mitigate conflict intensity, albeit with a small magnitude of the statistical significance coefficient. For policy purposes, external interventions are likely to have a modest effect.
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 | 0,073 | 0,172 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,056 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».