Introduction to A Research Agenda for Far-Right Violence and Extremism
Notice bibliographique
Résumé
To identify key trends in the threat associated with far-right terrorism, it is critical to see the nuances in distinctive terrorism patterns. Rigorous and meticulous analyses of national patterns help us to better understand the broader causes and consequences of far-right terrorism. By delving into the most relevant circumstances, this trend and pattern analysis aims to better understand the nature of the threat posed by far-right terrorism. That is why this introductory chapter provides facts and figures on far-right terrorist attacks, modus operandi and perpetrators motivated by far-right extremism. Incidents which occurred between 2012 and 2022 in Canada, the United States, the United Kingdom, Norway, France, Germany, Australia and New Zealand are examined in the following analyses. Accordingly, data on the number of completed and thwarted attacks, the lethality of attacks, the diversity of perpetrators, used weapons and the targets of their operation are processed. Data for the trend and pattern analysis originates from the Global Terrorism Database, EUROPOL TESAT Reports, the ADL Center on Extremism, the University of Oslo’s Right-Wing Terrorism and Violence (RTV) dataset and open-source incident information. For consistency of the analyses, when defining far-right terrorism, it refers to the use of terrorist violence by far-right extremists. Far-right extremism embraces supremacist ideologies which feed on a variety of hateful sub-cultures. Racist behavior, authoritarianism, xenophobia, misogyny and hostility towards lesbian, gay, bisexual and transgender as well as immigrant communities characterize their ideologies.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,016 | 0,018 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,009 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,010 |
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 ».