Uncovering policy priorities for disability inclusion: NLP and LLM approaches to analyzing CRPD state reports
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Over 193 countries have signed at least one of more than 500 multilateral treaties addressing critical global issues, such as human rights, environmental protection, and trade. Ratifying a treaty obligates a country, as a “State Party,” to report to the United Nations on its progress toward implementing the treaty’s provisions. These reports and their associated review processes generate a wealth of textual data. Effectively monitoring, reviewing, and assessing national, regional, and global progress toward these treaty commitments is crucial for ensuring compliance and realizing the benefits of international cooperation. The UN Convention on the Rights of Persons with Disabilities (CRPD), which has been ratified by 191 countries, exemplifies this challenge. With over 1.3 billion people worldwide living with disabilities, the CRPD aims to promote a shift from a charity-based “medical model” that views disability as an individual deficiency, to a rights-based “social justice model” that emphasizes societal barriers and inclusivity. Each State Party submits periodic reports to the Committee on the Rights of Persons with Disabilities detailing their implementation efforts. This study analyzed all available CRPD State Reports ( N = 170) using text mining, Natural Language Processing, and GenerativeAI tools to assess global progress, identify regional variations, and explore the factors influencing successful implementation. The findings reveal evidence of widespread CRPD implementation, growing support for social justice and economic inclusion, and the importance of civil society engagement. Hybrid data analysis approach of this study offers a promising framework for harnessing the power of textual data to advance the realization of treaty commitments worldwide.
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.
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 | 0,002 | 0,005 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| 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 découle