Aiding and abetting: foreign aid and state coercion
Bibliographic record
Abstract
Cette étude analyse les impacts de la politique d'aide étrangère des États-Unis sur la sécurité interne des États bénéficiaires. La documentation sur la sécurité internationale et les politiques conflictuelles m'a servi à développer une théorie sur l'effet coercitif de l'aide internationale. J'analyserai la manière dont l'aide étrangère des États-Unis affecte la capacité de gouverner des États bénéficiaires. J'analyserai particulièrement la capacité du gouvernement de l'État bénéficiaire d'employer la violence pour assurer la poursuite de son mandat. J'argumenterai qu'une des conséquences de la fongibilité – la capacité d'utiliser l'aide internationale comme une ressource gouvernementale – serait la possibilité d'augmentation de coercibilité de l'État en augmentant les dépenses dans les capacités coercitives de l'État, incluant les dépenses militaires, les forces de l'ordre et l'acquisition d'armes. Cet argumentaire sera démontré avec une analyse statistique d'un ensemble de données de l'aide bilatérale des États-Unis pour 132 pays en développement entre 1976 à 2005. Cette analyse est additionnée d'un regard en profondeur sur une étude de cas en l'Indonésie et d'analyses plus courtes de l'El Salvador et la Corée du Sud. Je démontre que l'effet coercitif de l'aide étrangère est conditionné par les institutions politiques et l'histoire militaire du pays bénéficiaire. Cette recherche fait un lien entre l'étude de la violence politique et la nature changeante des relations internationales, et expose un aperçu fascinant des influences internationales et des conflits interétatiques. La recherche suggère aussi que l'aide internationale va à l'encontre des buts du donateur de subvention en créant des conditions propices à l'augmentation de la violence politique dans les pays bénéficiaires.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| 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".