Understanding (non)involvement in terrorist violence: What sets extremists who use terrorist violence apart from those who do not?
Notice bibliographique
Résumé
Abstract Research summary We compare European and North American radicalization trajectories that led to involvement in terrorist violence ( n = 103) with those for which this outcome did not occur ( n = 103). Regression analyses illustrate how involvement in terrorist violence is determined not only by the presence of risk, but also the absence of protective factors. Bivariate analyses highlight the importance of considering the temporality of these factors; i.e., whether they are present before or after radicalization onset. The most salient risk factors identified were alignment with a group or movement with an exclusively violent strategic logic, and access to weapons. In terms of protective factors, parenting children during radicalization, self‐control, and participation in extremist groups with a strategic logic that was not exclusively focused on violent means were all associated with noninvolvement in terrorist violence. Policy implications Different patterns of risk and protective factors influence whether radicalization will, or will not, lead to involvement in terrorist violence. One‐size‐fits‐all radicalization‐prevention efforts may therefore be less effective than programs tailored to address a particular outcome. Even when terrorist violence is prevented, the targeted individual is likely to remain radicalized. Preventative efforts must carefully assess whether the measures used to avert terrorist violence in the short‐term risk contributing to a longer term societal threat. The efficacy of preventative efforts depends in part on when they are deployed, that is, before or after radicalization onset.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».