Base rates and Bayes’ Theorem for decision support
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to discuss and demonstrate “best practices” for creating quantitative behavioural investigative advice (i.e. statements to assist police with psychological and behavioural aspects of investigations) where complex statistical modelling is not available. Design/methodology/approach – Using a sample of 361 serial stranger sexual offenses and a cross-validation approach, the paper demonstrates prediction of offender characteristics using base rates and using Bayes’ Theorem. The paper predicts four dichotomous offender characteristic variables, first using simple base rates, then using Bayes’ Theorem with 16 categorical crime scene variable predictors. Findings – Both methods consistently predict better than chance. By incorporating more information, analyses based on Bayes’ Theorem (74.6 per cent accurate) predict with 11.1 per cent more accuracy overall than analyses based on base rates (63.5 per cent accurate), and provide improved advising estimates in line with best practices. Originality/value – The study demonstrates how useful predictions of offender characteristics can be acquired from crime information without large (i.e. >500 cases) data sets or “trained” statistical models. Advising statements are constructed for discussion, and results are discussed in terms of the pragmatic usefulness of the methods for police investigations.
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 | 0,130 | 0,379 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».