Systematic Review on the Outcomes of Tertiary Prevention Programs in the Field of Violent Radicalization
Notice bibliographique
Résumé
In the last decade, growing concerns about radicalized violence have led governments to make important efforts and invest significant sums of money in developing programs to prevent violent extremism (PVE). Despite these efforts, current knowledge regarding best practices in prevention remains disparate, and the effectiveness of practices used at present has not yet been clearly established. This is especially true for tertiary prevention programs, i.e., those that aim to “deradicalize” and/or disengage individuals from extremist groups and reintegrate them into society. To address this knowledge gap, we conducted a systematic review of the literature published up to 2019 to identify “what works” in tertiary PVE programming. Of the 11,836 studies generated from the searches in this review, 17 were eligible, as they included a sufficiently robust empirical evaluation of a tertiary prevention initiative using primary data. Narrative synthesis of the reviewed studies suggested that deradicalization interventions were harder to implement and less effective on average than disengagement/social reintegration interventions. This was echoed in the intervention modules that were most often described as successful: education, vocational training, and socialization components were preferred to religious education modules or online interventions purposed to challenge violent radical ideologies. The delivery of programs was facilitated by following the risk, needs, and responsivity principles of effective correctional intervention, as well as adequate training of practitioners, cooperation between the staff, good therapeutic alliance, complementary psychological counseling, and involving prosocial family members in the intervention. However, these conclusions rely on studies with substantial methodological limitations that hinder one’s confidence in their results. A screening of studies published between 2020 and 2024 was conducted and largely replicated the conclusions reported herein.
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 | 0,013 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».