La médiation de l’Union africaine dans la résolution des crises internes de ses États membres
Bibliographic record
Abstract
La multiplication des crises internes dans ses États membres a mené l’Union africaine à désigner des médiateurs, chargés d’amener les parties à régler leurs différends par des moyens pacifiques. Mode politique de règlement des différends, la médiation semble n’obéir qu’à des dynamiques politiques. Pourtant, on note un début de règlementation de ce mode de règlement des litiges, même si c’est encore à travers des instruments relevant de la soft law. La question qui se pose dans la présente étude est celle de savoir à quelles règles obéit la médiation de l’Union africaine lorsqu’elle intervient dans le règlement des crises internes de ses États membres. Il serait difficile d’affirmer que la médiation est laissée à l’entière volonté des parties et du médiateur, alors que c’est dans le cadre d’une organisation internationale qu’elle se déroule. En prenant appui sur les éléments factuels et à travers l’analyse des divers instruments qui tentent d’encadrer actuellement la médiation, la présente analyse démontre que même si ses résultats demeurent mitigés en matière de résolution des crises internes aux États, la médiation est un mode de règlement des litiges en cours de règlementation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.020 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".