Soldater i Europas gader:Et komparativt studie af de militære bidrag til national terrorbekæmpelse i udvalgte europæiske lande
Bibliographic record
Abstract
I løbet af ganske få år har en række europæiske lande været udsat for flere alvorlige terrorangreb. Særligt de voldsomme angreb i Paris i 2015 blev skelsættende for det europæiske syn på terrortruslen, og denne type af angreb har ført til en række initiativer i flere europæiske lande. Disse lande søger aktivt at styrke deres nationale terrorberedskab, og et centralt element i denne udvikling har været et særligt fokus på at forbedre og/eller forøge samarbejdet mellem politi og forsvar. Sådanne overvejelser har også været gjort i Danmark, bl.a. på baggrund af erfaringerne fra terrorangrebet i København i 2015. Det er netop forholdene omkring dette samarbejde, som belyses i denne rapport. I rapporten foretages en retligt baseret komparativ analyse af det danske system for samarbejdet mellem politi og forsvar. De danske forhold sammenlignes med tilsvarende systemer i henholdsvis Norge, Storbritannien og Frankrig. På baggrund af denne analyse noterer rapporten, at det nuværende retlige grundlag for samarbejdet mellem politi og forsvar er særdeles uklart og med fordel kan styrkes. Herudover anbefaler rapporten, at relevante myndigheder igangsætter et arbejde med at udvikle en politisk-strategisk ramme for samarbejdet, og at et sådant arbejde kan indledes ved at nedsætte en ekspert- og/eller arbejdsgruppe, som gives fuld adgang til fortrolige materialer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.037 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".