Improvement of Thematic Classification in Offender Profiling: Classifying Serbian Homicides Using Multiple Correspondence, Cluster, and Discriminant Function Analyses
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
Abstract This paper investigates thematic classification of homicides for the purpose of behavioural investigative analysis (e.g. offender profiling). Previous research has predominantly used smallest space analysis (SSA) to conceptualise and classify offences into thematic groups based on crime scene behaviour data. This paper introduces a combined approach utilising multiple correspondence analysis (MCA), cluster analysis (CA), and discriminant function analysis (DFA) to define and differentiate crime scenes into expressive or instrumental and impersonal or personal crimes. MCA is used to derive the latent structural dimensions in the crime data and produce quantitative scores for each offence along these dimensions. Two‐step CA was then utilised to classify offences. Offence dimensional scores were then used to predict cluster membership under DFA, producing cluster centroids corresponding to MCA dimensions. Centroids were plotted on the MCA correspondence map to simultaneously conceptualise crime classification and the latent structure of the Serbian crime data. Classification of offences based on MCA dimensional scores were 91.5% accurate. This MCA–CA–DFA approach may reduce some of the more subjective aspects of SSA methodology used in classification, whilst producing a product more amenable to objective and cumulative review. Implications for offender profiling research utilising SSA and this approach are discussed. Copyright © 2014 John Wiley & Sons, Ltd.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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