A Systems Thinking Framework for Assessing and Enhancing Jordan’s Progress Towards SDG 16.1
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 study was initially designed to assess Jordan’s decade-long progress toward sustainable development goal (SDG) 16.1. However, that assessment revealed a puzzling ‘Jordanian paradox’, which necessitated the development of a systems-thinking framework to explain the data and pinpoint leverage points for accelerated violence reduction. Drawing on 11 years (2013–2023) of official police and socioeconomic data series, we combine descriptive statistics, trend lines, Pearson correlations (with a focus on |r| > 0.80) and high-fit (R2 > 0.75) regression models. The data show that while violent and property offenses fell significantly, drug-trafficking and cybercrime surged. Two feedback structures explain this paradox. A balancing loop shows that conventional policing suppresses traditional violence. A reinforcing loop links high unemployment and broader socioeconomic strain to modern, networked offenses that erode public trust, deter investment, and feed back into unemployment. A policy-ready causal loop diagram (CLD) visualizes these dynamics. Scenario modeling indicates that cutting unemployment by two percentage points could prevent approximately 1990 drug cases and 2200 cyber incidents annually, while producing only a modest uptick in crimes against persons. Sustaining SDG 16.1 gains, therefore, requires an integrated package that simultaneously weakens the reinforcing loop – through youth jobs, social protection and digital-literacy programs – and strengthens the balancing loop via targeted cyber- and border-security measures.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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