Preventing Radicalization in Prisons: A comparative analysis of the Danish and Swedish Prison and Probation Service's counter-radicalization strategies within prisons
Notice bibliographique
Résumé
It is important to direct resources to effective evidence- and value-based counter-radicalization strategies, especially within prisons. With the increasing threat ofviolence and terror from various violent extremist groups, such as Daesh, thefocus on prisons should be intensified. While radicalization within prisons was nota significant problem a decade ago, the new recruitment strategies from e.g.Daesh now pose a new challenge for prisons. This thesis identifies contemporaryliterature on radicalization, deradicalization, and violent extremism within aprison context. From this seven recurrent themes were identified: overcrowding,religious chaplains, sectioning, risk assessment, monitoring and supervision,rehabilitation programs and education of staff. This was then used to develop anassessment model, which was based on the Canadian Risk-Need-Responsivitymodel’s three core principles, for evaluating and conducting counterradicalizationstrategies. The assessment model was then used as a framework fora comparative analysis of the Danish and Swedish Prison and Probation Services’counter-radicalization strategies within prisons. The results show that bothcountries adhered to a degree to the assessment model and current literaturewithin the field. The results further reveal that there is a lack of empiricalevidence and data on radicalization and counter-radicalization within prisons, andthat the data available is somewhat outdated.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,011 | 0,007 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».