Bridging the Atrocity Prevention Gap between the International and the Local: Lessons Learned from Meso-Level Leadership in Ukraine and Syria
Notice bibliographique
Résumé
This paper explores meso-level approaches to atrocity prevention that incorporate a wider array of local expertise at all stages, from early warning to transitional justice. Specifically, we treat meso-level approaches as encompassing local leadership and advocacy across bottom-up processes, grassroots efforts, victim-led activism, and civil society mobilization. We draw from two contemporary cases of mass atrocities, Ukraine and Syria, which exemplify such efforts, using primary interview data with meso-level actors. First, we examine atrocity risk early warning in Ukraine, where prescient local expertise at the meso-level failed to influence international responses, asking what went wrong and what more could be done to meaningfully incorporate their knowledge. Second, we explore how local efforts at justice-seeking in Syria filled accountability gaps left behind by failures at higher levels, as well as the lessons learned from attempts to localize transitional justice. We also present a framework developed to better learn and listen to meso-level expertise as a priority for the field of atrocity prevention. We conclude with practical recommendations for policymakers and practitioners working across early warning and transitional justice contexts.
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 | 0,011 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,008 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,001 | 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 ».