(Non-) Involvement in Terrorist Violence Dataset (NITV)
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
This dataset describes 206 individuals who radicalised to extremism. Exactly half of the sample (N=103) radicalised to right-wing extremism, and half to jihadism. The sample is also split 50/50 in terms of the outcome of these radicalization processes: 103 individuals became involved in the planning, preparation or execution of terrorist attacks, the other 103 did not. The purpose of our dataset was to gain insights into what variables influence these outcome differences. To that end, we used a codebook to look at structural, group and individual-level variables theorised to influence the onset and outcome of radicalization processes. The dataset describes individuals from Europe and North-America (Canada / US) with an average date of birth of 1980. Data on our population was gathered from a range of sources, such as secondary literature (e.g. academic publications, think-tank reports), journalistic accounts, court records, (auto)biographies and, where possible, privileged information drawn from semi-structured interviews and material provided by the Dutch public prosecution service. To ensure their privacy and security, all personally-identifying information has been rigorously removed. This means that no data on names, exact dates of birth, places of residence etc. is included in the dataset. All interviewees were asked to sign consent forms and the project went through formal ethics approval by Leiden University's Faculty of Governance and Global Affairs (FGGA) Ethics Committee (ref: 2019-012-ISGA-Schuurman) before it commenced.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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