Notice bibliographique
Résumé
Terrorism and violent extremism have undoubtedly become among the top security concerns of the 21st century. Despite a robust agenda of counterterrorism since the September 11, 2001 attacks, the evolution of global terrorism has continued to outpace the policy responses that have tried to address it. Recent trends such as the foreign fighter phenomenon, the rampant spread of extremist ideologies online and within communities, and a dramatic increase in terrorist incidents worldwide, have led to a recognition that “traditional” counterterrorism efforts are insufficient and ineffective in combatting these phenomena. Consequently, the focus of policy and practice has shifted towards countering violent extremism by addressing the drivers of radicalization to curb recruitment to extremist groups. Within this context, the field of countering violent extremism (CVE) has garnered attention from both the academic and policy-making worlds. While the CVE field holds promise as a significant development in counterterrorism, its policy and practice are complicated by several challenges that undermine the success of its initiatives. Building resilience to violent extremism is continuously challenged by an overly securitized narrative and unintended consequences of previous policies and practices, including divisive social undercurrents like Islamophobia, xenophobia, and far-right sentiments. These by-products make it increasingly difficult to mobilize a whole of society response that is so critical to the success and sustainability of CVE initiatives. This research project addresses these policy challenges by drawing on the CVE strategies of Canada, the US, the UK, and Denmark to collect best practice and lessons learned in order to outline a way forward.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,002 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».