MétaCan
Menu
Retour à la cohorte
Enregistrement W2052059791 · doi:10.1080/17440572.2013.787930

Friends with(out) benefits: co-offending and re-arrest

2013· article· en· W2052059791 sur OpenAlexaffabout
Frédéric Ouellet, Rémi Boivin, Chloé Leclerc, Carlo Morselli

Notice bibliographique

RevueGlobal Crime · 2013
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCrime Patterns and Interventions
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésCommitSituational ethicsCentralityOddsCriminologyPsychologyPosition (finance)Computer securitySocial psychologyBusinessComputer scienceLogistic regression

Résumé

récupéré en direct d'OpenAlex

Research shows that co-offending has contradictory effects on rates of re-arrest. On the one hand, group offending may be riskier: for example, co-offenders might be targeted by police or might snitch to protect themselves. Criminal networks may also have indirect effects: offenders embedded in criminal networks commit more offences and thus should have a higher risk of being arrested at some point. On the other hand, networks generate steady criminal opportunities with relatively low risk of arrest and high monetary benefits (e.g. drug trafficking). Few authors have empirically explored the relation between co-offending and re-arrest. This article does so using data from seven years of arrest records in the province of Quebec, Canada. The analysis is designed to explore why some offenders are re-arrested after an initial arrest while others are not. It focuses on the factors involved in re-arrest, considering two distinct levels of measures of co-offending. The first level of analysis takes into account a situational measure that indicates whether a given offence was committed by co-offenders (group offence). The second level is used to examine whether being part of a criminal network influences re-arrest. For offenders embedded in such networks, two network features (degree centrality and clustering coefficient) show that the global position of individuals within the Quebec arrest network are analysed. Our results suggest that co-offending is a crucial factor that should be taken into account when looking at the odds of being caught again. The use of generalised linear mixed model brings interesting nuances about the impact of co-offending. The article adds to the recently growing literature on the link between networks and criminal careers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,446
Score d'incertitude au seuil0,888

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,357
Écart entre enseignants0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGlobal CrimeMême sujetCrime Patterns and InterventionsTravaux en français237 207