A hybrid of Borda-TOPSIS for risk analysis of Islamic state network development in southeast Asia
Notice bibliographique
Résumé
In a decision-making environment related to risk, there are four basic circumstances, namely certainty, risk, uncertainty and conflict. The dynamics of the strategic environment in Southeast Asia cannot be separated from the movement of the development of the Islamic State (IS). The terror threat in Southeast Asia is currently divided into different generations of terror, namely the threat of the Al-Qaeda terror network and the threat of the ISIS terror network. This study aims to analyze and identify the risk value of the development of the Islamic State network in Southeast Asia using the Borda and TOPSIS methods. The Borda method is used to give weight to the criteria related to risk analysis. The TOPSIS method is used to provide a criteria-based risk score. This research is limited to the Southeast Asia region with 4 (four) major countries, namely Indonesia, Malaysia, Thailand, and the Philippines. This research is expected to contribute to control the development of Islamic state networks in the Southeast Asian region. Based on the results of the overall risk analysis, it was found that the Philippines has the highest risk factor value for Islamic State (IS) with a value of 0.550 at level 4 in the High category. Indonesia maintains a risk factor value of 0.307. Thailand has a risk factor value of 0.427. Indonesia and Thailand are at level 3 with the Medium category. Meanwhile, Malaysia has a risk factor value of 0.203 at level 2 in the Low category.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».