Detecting Great Power Competition Through Geospatial Analysis: A North American Arctic Case Study
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
The current era of Great Power Competition (GPC) between the People's Republic of China (PRC), the Russian Federation (Russia), and the United States is characterized by increased use of \hybrid threats." These are actions, short of military force, that are designed to fall under existing detection and response thresholds and compromise existing security norms and decision making processes. National security scholars and practitioners widely agree that the ability of the United States and its allies to detect and respond to these hybrid threats is limited at best, and that the Indication and Warning (I & W) intelligence function, designed to prevent strategic surprise that fundamentally alters policy, plans, and assumptions about the security environment, has atrophied. This research explores how geospatial science, through the discipline of Geospatial Intelligence (GEOINT) can detect, monitor, and provide I &Wintelligence that prevents strategic surprise from hybrid threats. Specifically, this thesis applied a novel Strategic Intelligence Framework (SIF) to standard I & W intelligence practices to identify, analyze, and visualize PRC activities that carried hybrid threat characteristics within a U.S./Canadian Arctic and circumpolar study area. Through incorporating local spatial context via the Getis-Ord Gi* statistic, as well as the strength of the hybrid threat \signal," this case study successfully identified and mapped higher and lower threat regions using kernel density estimation (KDE) in the form of a Mesoscale Operational Situational Awareness Intelligence Composite (MOSAIC). The success of this case study shows that the SIF and MOSAIC are powerful tools for detecting, analyzing, and warning about the collective impact of hybrid threats.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 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