Notice bibliographique
Résumé
This dissertation examines the dynamics of nonviolent resistance in repressive post-Soviet regimes through a comparative case study of Turkmenistan, Belarus, and Kyrgyzstan. It addresses the central question: What factors influence the onset and effectiveness of nonviolent resistance movements in these contexts? Drawing on 52 interviews and an extensive literature review, the study introduces a multilevel analytical framework encompassing macro-level factors (political and economic system, international relations and modernization), meso-level factors (power distribution in society), and micro-level factors (grievances, resources and organizational capacity of the resistance movement) to assess why nonviolent resistance may emerge and succeed in some contexts, but not in others. The comparison of the three post-Sovjet states reveals two overarching factors that are essential for nonviolent resistance: connectivity and strategy. In Turkmenistan, pervasive isolation of the country, the power, and the people precluded the emergence of any organized resistance movement. Belarus’s 2020 protests illustrate how widespread grievances and strong, newfound horizontal ties can trigger mass mobilization, yet lack of vertical ties and absence of a long-term strategy hinder success. Kyrgyzstan’s three revolutions demonstrate how robust vertical and horizontal connections can swiftly topple leaders, but can result in limited genuine change and "revolution fatigue" when a strong strategy for systematic reform is missing. The study concludes that nonviolent resistance thrives on multilevel connectivity and adaptive strategic planning. Without these, movements risk failure or short-lived victories, underscoring the complexity of resisting entrenched authoritarianism.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».