MétaCan
Menu
Retour à la cohorte
Enregistrement W2086416736 · doi:10.1177/1748895810392190

The effectiveness of vehicle security devices and their role in the crime drop

2011· article· en· W2086416736 sur OpenAlexaff
Graham Farrell, Andromachi Tseloni, Nick Tilley

Notice bibliographique

RevueCriminology & Criminal Justice · 2011
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCrime Patterns and Interventions
Établissements canadiensSimon Fraser University
Organismes subventionnairesEconomic and Social Research Council
Mots-clésComputer securityALARMCrime preventionInternet privacyBusinessCriminologyComputer scienceEngineeringPsychology

Résumé

récupéré en direct d'OpenAlex

Car theft in the UK fell two-thirds from the mid-1990s as part of more widespread crime drops, and has been attributed to improved vehicle security. This study develops a Security Impact Assessment Tool (SIAT) to gauge the contribution of individual security devices and their combination. The metric of impact derived is termed the Security Protection Factor (SPF). Cars with central locking plus an electronic immobilizer, and often an alarm, are found to be ‘SPF 25’, that is, they were up to 25 times less likely to be stolen than those without security. That impact is greater than expected from the individual contributions of those devices, and is attributed to interaction effects. Tracking devices are found to be particularly effective but rarer. Protective effects were greater against theft of cars than against theft from cars or attempts, almost certainly reflecting the difficulty imposed on thieves by electronic immobilizers. It is suggested that this type of analysis could be usefully extended to other crime types and security combinations. The analysis also lends support to a ‘security hypothesis’ component of an explanation for the major national and international crime drops that is based in the criminologies of everyday life.

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)0,014
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 enseignants0,023
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,002
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,094
Tête enseignante GPT0,344
Écart entre enseignants0,250 · 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

Citations78
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCriminology & Criminal JusticeMême sujetCrime Patterns and InterventionsTravaux en français237 207