PROPOSITION 8 AND CRIME RATES IN CALIFORNIA: THE CASE OF THE DISAPPEARING DETERRENT
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
Research Summary: In 1999, Daniel Kessler and Steven Levitt published an article that purported to provide support for the marginal deterrent effects of harsher sanctions on levels of crime. Specifically, they concluded that sentence enhancements that came into effect in California in June 1982 as a result of Proposition 8 were responsible for a subsequent drop in serious crime in this state. Our article examines the analyses and findings of this article and suggests that their conclusion of a deterrent impact fails to withstand scrutiny when more complete and more detailed crime data are used and the comparability of “control” groups is carefully examined. In particular, the addition of annual crime levels for all years (versus only the odd‐numbered years that Kessler and Levitt examine) calls into question the prima facie support for a deterrent effect presented by Kessler and Levitt. Specifically, it demonstrates not only that the crime drop in California began before, rather than after, the passing into law of the sentence enhancements in 1982 but also that the downward slope did not accelerate after the change in law. Furthermore, the comparability of the two “control” groups with the “treatment” group is challenged, rendering suspect any findings based on these comparisons. Policy Implications: Case studies suggesting that crime decreased after the imposition of harsh sentencing policies are often cited as evidence of marginal general deterrence. As has been demonstrated in other contexts, the question that needs to be asked is “Compared with what?” Kessler and Levitt's (1999) article demonstrates that those interested in sentencing policy need to be sensitive not only to the appropriateness of the comparisons that are made, but also to the choice of data that are presented.
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 | 0,000 | 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 | 0,001 |
| 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