Studying Irregular Migration through Crime Science: Insights into Smuggling and Trafficking on the Central Mediterranean Route to Europe
Notice bibliographique
Résumé
In this thesis, I investigate irregular migration, smuggling, and related harms involving exploitation and detention on the Central Mediterranean Route, using a crime science approach. The thesis is divided into three main analytical components. First, I deconstruct 71 migration journeys into a directed weighted graph based on interviews with migrants arriving in Malta from Libya. Through scripting, 81 typical activities associated with migration were identified. Each journey was unique, and many were complex and long, involving different sequences of activities and lasting on average 18 months. Two thirds of participants worked during their journeys, another two thirds were detained before Malta, and a quarter were subjected to forced labour. \n \nSecond, I analyse the graphed migration system by developing algorithms to identify repeated cycles of activities across participants. Of the 81 activities identified, 70% were repeated by the same participants. For example, the activity ‘wait in detention’ was repeated on 18 journeys, on average three times. A total of 174 distinct cycles of activities were found, 22 of which were shared across several participants, including activity sequences linking anti-smuggling efforts with detention and forced labour. Significantly, identified patterns highlight how migrants can get stuck in cycles of im/mobility on their journeys. \n \nThird, I apply a situational lens to analyse harms linked to detention and forced labour. The results demonstrate new transitions and blurred categories between smuggling and trafficking. Sometimes, the presence of agency in trafficking journeys contrasted with its absence in smuggling journeys. \n \nMy findings underscore the urgent need for a reassessment of border control policies and detention practices, emphasising humane treatment, independent oversight, and adherence to international law. Addressing the systemic issues of repeated cycles of harm requires a multi-faceted approach that prioritises protection and support for vulnerable populations, while also considering the broader ethical implications and potential unintended consequences of interventions.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».