‘Russian warship, go f— yourself!’ Human Factors in the Russia-Ukraine War and Ukraine Defying Expectations, February-December 2022
Notice bibliographique
Résumé
Before Russia’s full-scale invasion of Ukraine in 2022, most analysts believed that Russian forces would rapidly overwhelm Ukraine’s defenses. Many policymakers were preparing for the consequences of Russia’s occupation of Ukraine rather than considering how best they could assist the latter in its moment of need. These analyses, however, focused almost exclusively on the militarily quantifiable assets and their disparity between Russia and Ukraine. In these areas, Russia possessed a decisive advantage. It should also be noted that these factors are important, and analysts should not preclude them in their analyses of the combat capabilities of armies. What these pundits and policymakers missed in their analyses, however, was the role of human factors in combat. While the Russian material elements were superior to those of Ukraine at the start of the hostilities, the human factors of the Ukrainian army and people were significantly higher than those of the Russian armed forces. This disparity between the two countries not only helped Ukraine overcome Russia’s initial efforts to defeat the country but also allowed the Ukrainian forces to launch an effective counteroffensive later that year. Factors in combat and combat effectiveness, however, are not static. Thus, while Ukraine maintained a superiority in the human dimension for much of the period in question, Russia’s narrowing of this gap and ongoing material superiority meant that the Ukrainian army was not able to translate this advantage into a decisive victory in 2022. As the war becomes increasingly one of attrition, however, human factors will play a decisive role in the conflict well into the future.
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 | 0,003 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».