Bibliographic record
Abstract
Vie et Sciences Sociales L a République démocratique du Congo a connu beaucoup de guerres et de conflits armés et plusieurs tentatives furent initiées pour recouvrer la paix ou la consolider.Avec ma petite expérience dans les négociations de paix en ma double qualité d'ancien Commissaire Général du Gouvernement Adjoint chargé des relations avec la MONUC et d'ancien Commissaire Général du Gouvernement chargé du suivi du processus de paix dans la région des Grands Lacs, je vais essayer de me focaliser uniquement sur les faits tels que je les ai vécus en tant que témoin, et tels que la population congolaise les a perçus au regard de ses attentes.C'est ainsi que mon adresse va s'articuler autour de 2 points, à savoir :1. L'aperçu historique ; 2. Les négociations de paix proprement dites.I. Aperçu historique 01.A la suite du génocide rwandais de 1994, de triste mémoire, près de deux millions de réfugiés rwandais, à majorité des hutus, vont se déverser dans les provinces du Nord-Kivu et du Sud-Kivu, à l'Est du pays.02.Ces réfugiés, parmi lesquels les ex Forces Armées Rwandaises (FAR), l'armée de l'ancien président Habyarimana, étaient venus sous l'encadrement des militaires français à travers l'opération Turquoise entérinée par le Conseil de Sécurité des Nations Unies.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".