Evidence-Based Crime Prevention: Conclusions and Directions for a Safer Society
Notice bibliographique
Résumé
In an evidence-based society, government crime prevention policy and local practice would be based on interventions with demonstrated effectiveness in preventing crime - using what works best. Systematic reviews are the most comprehensive method of assessing the effectiveness of crime prevention measures and, in an evidence-based society, they would be the source that governments would turn to for help in the development of policy. This article summarizes the main findings of a project of the Campbell Collaboration Crime and Justice Group to advance knowledge on what works to prevent crime for a wide range of interventions, organized around four important domains: at-risk children, offenders, victims, and high-crime places. The full conclusions are published in the forthcoming book, Preventing Crime: What Works for Children, Offenders, Victims, and Places. The good news from this first wave of reviews is that most of the interventions are effective in preventing crime and, in many cases, produce sizeable effects. This includes social-skills training for children, cognitive-behavioural therapy and incarceration-based drug treatment for offenders, face-to-face restorative justice conferences involving victims and offenders, prevention of repeat residential burglary victimization, hot spots policing, closed-circuit television surveillance, and improved street lighting. Acting on the evidence from these systematic reviews could contribute to a safer society, both now and in the long run. Alongside the Campbell Collaboration effort to prepare and maintain systematic reviews for use by policy makers, practitioners, and the general public, a program of research into new crime prevention and intervention experiments needs to be initiated.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».