論文の概要: A Mixed-Methods Analysis of Repression and Mobilization in Bangladesh's July Revolution Using Machine Learning and Statistical Modeling

• arxiv url: http://arxiv.org/abs/2510.06264v1
• Date: Sun, 05 Oct 2025 20:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.076596
• Title: A Mixed-Methods Analysis of Repression and Mobilization in Bangladesh's July Revolution Using Machine Learning and Statistical Modeling
• Title（参考訳）: 機械学習と統計的モデリングを用いたバングラデシュの7月革命における抑圧と動員の混合分析
• Authors: Md. Saiful Bari Siddiqui, Anupam Debashis Roy,
• Abstract要約: バングラデシュの7月革命(2024年7月革命)は、市民抵抗の研究における目覚ましい出来事である。 本研究は、反感を鎮めることを意図した国家暴力が最終的に運動の勝利を後押ししたかを調査した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The 2024 July Revolution in Bangladesh represents a landmark event in the study of civil resistance. This study investigates the central paradox of the success of this student-led civilian uprising: how state violence, intended to quell dissent, ultimately fueled the movement's victory. We employ a mixed-methods approach. First, we develop a qualitative narrative of the conflict's timeline to generate specific, testable hypotheses. Then, using a disaggregated, event-level dataset, we employ a multi-method quantitative analysis to dissect the complex relationship between repression and mobilisation. We provide a framework to analyse explosive modern uprisings like the July Revolution. Initial pooled regression models highlight the crucial role of protest momentum in sustaining the movement. To isolate causal effects, we specify a Two-Way Fixed Effects panel model, which provides robust evidence for a direct and statistically significant local suppression backfire effect. Our Vector Autoregression (VAR) analysis provides clear visual evidence of an immediate, nationwide mobilisation in response to increased lethal violence. We further demonstrate that this effect was non-linear. A structural break analysis reveals that the backfire dynamic was statistically insignificant in the conflict's early phase but was triggered by the catalytic moral shock of the first wave of lethal violence, and its visuals circulated around July 16th. A complementary machine learning analysis (XGBoost, out-of-sample R$^{2}$=0.65) corroborates this from a predictive standpoint, identifying "excessive force against protesters" as the single most dominant predictor of nationwide escalation. We conclude that the July Revolution was driven by a contingent, non-linear backfire, triggered by specific catalytic moral shocks and accelerated by the viral reaction to the visual spectacle of state brutality.
• Abstract（参考訳）: バングラデシュの7月革命(2024年7月革命)は、市民抵抗の研究における目覚ましい出来事である。 本研究は、この学生主導の市民蜂起の成功に対する中心的なパラドックス、すなわち、反抗を鎮めるために国家の暴力がいかにして運動の勝利を後押しするかを考察する。 私たちは混合メソッドアプローチを採用しています。 まず、紛争のタイムラインを定性的に記述し、特定の、検証可能な仮説を生成する。 そして、分解されたイベントレベルデータセットを用いて、抑圧と動員の間の複雑な関係を解くために、マルチメソッドの定量的分析を用いる。 我々は7月革命のような爆発的な近代的な一揆を分析するための枠組みを提供する。 初期のプール化回帰モデルは、運動を維持する上での抗議運動の重要な役割を浮き彫りにした。 因果効果を分離するために,直接的かつ統計的に有意な局部抑制バックファイア効果を示す2ウェイ固定効果パネルモデルを提案する。 我々のベクトル自己回帰(VAR)分析は、致死的暴力の増加に対応する即時的、全国的な動員の明確な視覚的証拠を提供する。 さらに、この効果は非線形であることを示す。 構造的破壊分析により、バックファイアのダイナミクスは紛争の初期段階では統計的に重要ではなかったが、第一の致命的な暴力の波による触媒的道徳的ショックによって引き起こされ、7月16日ごろにその視覚が流布したことが明らかとなった。 補完的な機械学習分析 (XGBoost, out-of-sample R$^{2}$=0.65) では、これを予測的な観点から定義し、全国的なエスカレーションの最も支配的な予測要因として「抗議者に対する過剰な力」を識別している。 7月革命は、特定の触媒的道徳的ショックによって引き起こされ、国家の残虐行為の視覚的な光景に対するウイルス反応によって加速される、連続した非線形のバックファイアによって引き起こされたと結論付けた。

関連論文リスト

• Opening the Black Box of Local Projections [0.0]
  ローカルプロジェクション(LP)は、政策介入に対するインパルス応答を推定するために経験的マクロ経済学で広く用いられている。 本稿では,過去の出来事のコントリビューションの総和にLP推定の新たな分解を導入する。 我々は、しばしば集中的なインパルス応答推定の主要因として、ニクソンがフェデラルへの干渉、停滞、第二次世界大戦、アグン山火山噴火エマージュなど、容易に特定できる出来事を発見した。
  論文  参考訳（メタデータ） (2025-05-18T13:46:35Z)
• At the Mahakumbh, Faith Met Tragedy: Computational Analysis of Stampede Patterns Using Machine Learning and NLP [0.0]
  本研究は,インドにおける集団宗教集会において,繰り返し発生する致死的切手について,機械学習,歴史的分析,自然言語処理(NLP)を用いて検討した。 プラヤグラーの2025年の悲劇(48人以上の死者)と1954年の前身(700人以上の犠牲者)に焦点を当てている。
  論文  参考訳（メタデータ） (2025-02-05T12:27:29Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• An Ordinal Latent Variable Model of Conflict Intensity [59.49424978353101]
  ゴールドスタインスケール(Goldstein scale)は、紛争・協力的なスケールでイベントをスコアする、広く使われている専門家ベースの尺度である。 本稿では、競合強度を測定するために、潜伏変数に基づくアプローチをとる。
  論文  参考訳（メタデータ） (2022-10-08T08:59:17Z)
• Counterfactual Reasoning for Out-of-distribution Multimodal Sentiment Analysis [56.84237932819403]
  本稿では,OODの高次一般化に対するテキストモダリティの悪影響を推定・緩和することを目的とする。 そこで本研究では,マルチモーダル感情分析のためのモデルに依存しない反現実的フレームワークを考案した。
  論文  参考訳（メタデータ） (2022-07-24T03:57:40Z)
• Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive Benchmark Analysis and Beyond [85.06231315901505]
  雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。 本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
  論文  参考訳（メタデータ） (2022-03-31T10:22:24Z)
• Revealing the Excitation Causality between Climate and Political Violence via a Neural Forward-Intensity Poisson Process [6.612222792826491]
  気候変動による政治的暴力における非線形因果メカニズムを捉えるために,ニューラルフォワード・インテンシティ・ポアソン・プロセス(NFIPP)モデルを提案する。 我々の研究結果は過去20年間にわたって行われており、極端な気候現象と様々な国における政治的暴力との興奮に基づく因果関係が明らかになっている。
  論文  参考訳（メタデータ） (2022-03-09T03:54:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。