Assessing Risk of Victimization through Epidemiological Concepts: An Alternative Analytic Strategy Applied to Routine Activities Theory*
Notice bibliographique
Résumé
Cet article fait appel aux concepts et aux techniques de l'épidémiologie pour examiner la capacité de la théorie des activités routinières à expliquer le risque de victimisation criminelle. En allant au-delà de l'identification des facteurs de risque de victimisation, les auteurs se demandent comment les changements des facteurs de causalité pourraient influer sur ce risque dans la population générale. lis trouvent que les prédicteurs établis avec des méthodes plus traditionnelles expliquent la plus grande partie du risque, mais que certains sont moins importants pour la compréhension du risque de la population dans l'ensemble en raison du petit nombre de personnes qui leur est associé, tandis que d'autres sont plus utiles parce qu'ils s'appliquent à un plus grand nombre de personnes. This paper draws upon concepts and techniques from epidemiology to examine the ability of routine activities theory to account for the risk of criminal victimization. Moving beyond the identification of risk factors for victimization, we ask how changes to causal factors might affect the risk of victimization in the general population. We find that predictors identified with more traditional methods account for the bulk of the risk, but that some are less important for understanding overall population risk because of the small numbers of people associated with them, while others are more helpful because they apply to larger numbers.
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 | 0,023 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,016 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».