Finding Criminal Attractors Based on Offenders' Directionality of Crimes
Notice bibliographique
Résumé
According to Crime Pattern Theory, individuals all have routine daily activities which require frequent travel between several nodes, with each being used for a different purpose, such as home, work or shopping. As people move between these nodes, their familiarity with the spatial area around the nodes, as well as between nodes, increases. Offenders have the same spatial movement patterns and Awareness Spaces as regular people, hence according to theory an offender will commit the crimes in their own Awareness Space. This idea is used to predict the location of the nodes within the Awareness Space of offenders. The activities of 57,962 offenders who were charged or charges were recommended against them were used to test this idea by mapping their offense locations with respect to their home locations to determine the directions they move. Once directionality to crime was established for each offender, a unique clustering technique, based on K-Means, was used to calculate their Cardinal Directions through which the awareness nodes for all offenders were calculated. It was found that, by looking at the results of various clustering parameters, offenders tend to move towards central shopping areas in a city, and commit crimes along the way. Almost all cluster centers were within one kilometer of a shopping center. This technique of finding Criminal Attractors allows for the reconstruction of the spatial profile of offenders, which allows for narrowing the possible suspects for new crimes.
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 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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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) | 0,026 | 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 tête enseignante, 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 ».