The de-radicalization, rehabilitation and reintegration project in Nigeria’s counter-terrorism strategy: Operation Safe Corridor in context
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the years since the emergence of Boko Haram, the terror threat posed by the sect’s violent extremism has remained a challenge for the Nigerian government. The failure to contain it has been attributed to the government’s over-reliance on military strategies. While conventional approaches are useful in weakening the operational capacity of domestic terrorism, they do not provide a long-term solution. The use of military strategies to quell ideological and religious-driven terrorism has proven counterproductive. As a result, scholars and security practitioners have recommended a combination of military and non-military strategies to address insurgency. Non-military strategies include de-radicalization, disarmament, amnesty, indigenous conflict resolution mechanisms, and other soft power measures. In line with this, the Nigerian government adopted ‘Operation Safe Corridor’ in a bid to de-radicalize, rehabilitate and reintegrate former Boko Haram combatants who voluntarily surrender to the government. This article assesses Operation Safe Corridor’s institutional mechanisms as a counter-terrorism strategy in Nigeria. It argues that the lack of a legal framework, issues of public perception and trust and host communities’ reluctance to accept former Boko Haram combatants have undermined successful implementation of the program. It is imperative for the government to address these challenges in order to achieve Operation Safe Corridor’s objectives and ensure successful deradicalization and reintegration of former combatants.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle