Notice bibliographique
Résumé
Preventing genocide is more achievable than ever before. In the past two decades, there has been an upsurge in research and resources dedicated to genocide and mass atrocity prevention. There is now substantial knowledge of risk factors for genocide, of current countries at risk of genocide and mass atrocities, and, most importantly, a small but passionate field of practitioners dedicated to prevention. Crucial to their effectiveness, however, is the adoption of evidence-based strategies. One important methodological approach to identifying proven strategies is through comparative analysis of historical case studies of resilience to genocide. From these case studies, in which a demonstrable risk of genocide was offset through effective resilience, researchers can identify cross-situational factors that have proven to reduce risk in the past, and therefore have a high potential to do so again. Adopting this approach, this article examines two cases of extraordinary resilience to genocide—those of Bulgaria and Denmark during the Holocaust. Through careful examination of these case studies, three factors important for promoting resilience can be identified. These include the role of leaders in contributing to prevention; the importance of early and robust condemnation of persecution in changing the trajectory of each crisis; and the importance of discursive space in which to challenge narratives of oppression. Each of these factors offers new insights for evidence-based approaches to genocide prevention.
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 | 0,110 | 0,196 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,023 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,013 | 0,014 |
| Science ouverte | 0,008 | 0,010 |
| Intégrité de la recherche | 0,010 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».