Bibliographic record
Abstract
Aunque el panorama internacional contemporáneo está dominado por guerras intrastatales, las relaciones internacionales difícilmente pueden considerarse pacíficas. En otras palabras, los Estados continúan participando en conflictos, pero por debajo del umbral de la guerra abierta. El artículo examina las tendencias generales y las consecuencias que el conflicto étnico tiene para la guerra futura, ya que los Estados emplean tácticas híbridas y estrategias de la zona gris para apoyar a sus parientes étnicos. Muchos de los conflictos étnicos actuales pueden describirse como secesionistas, en los cuales Estados externos y otros actores internacionales se ven involucrados en un conflicto, o irredentistas, en los cuales dos o más estados entran en guerra por una reclamación irredentista. El uso de tales conflictos étnicos por parte de interventores externos para participar en conflictos en la zona gris se está convirtiendo en una norma en los asuntos internacionales. El texto se centra en los casos de las intervenciones en la zona gris de Rusia en Georgia, Ucrania y la región Báltica, y se contrastan con los casos de Azerbaiyán-Armenia, el Sáhara Occidental, así como Etiopía-Eritrea, para mostrar tanto la continuidad como la transformación en la guerra. Se cierra identificando algunas de las razones por las cuales hay variación en estos casos y las implicaciones que esto tiene para la gestión de conflictos y el futuro de la guerra.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.015 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".