MétaCan
Menu
Retour à la cohorte
Enregistrement W2087281382 · doi:10.1177/0886260510362893

Firearm Homicide in Australia, Canada, and New Zealand: What Can We Learn From Long-Term International Comparisons?

2010· article· en· W2087281382 sur OpenAlexaboutno aff
Samara McPhedran, Jeanine Baker, Pooja Singh

Notice bibliographique

RevueJournal of Interpersonal Violence · 2010
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGun Ownership and Violence Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHomicidePoison controlSuicide preventionOccupational safety and healthInjury preventionHuman factors and ergonomicsMedical emergencyCriminologyTerm (time)MedicinePsychology

Résumé

récupéré en direct d'OpenAlex

Although firearm homicide remains a topic of interest within criminological and policy discourse, existing research does not generally undertake longitudinal comparisons between countries. However, cross-country comparisons provide insight into whether "local" trends (e.g., declines in firearm homicide in one particular country) differ from broader, international trends. This in turn can improve knowledge about the role of factors such as policing practices and socioeconomic variables in the incidence of lethal violence using firearms. The current study compares long-term firearm homicide trends in three countries with similar social histories but different legislative regimes: Australia, Canada, and New Zealand. Using negative binomial regression, the study found that the most pronounced decline in firearm homicide over the past two decades occurred in New Zealand. Connections between social disadvantage, policing policy, and violence are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,111
Score d'incertitude au seuil0,859

Scores Codex et Gemma par catégorie

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

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 Opus0,050
Tête enseignante GPT0,354
Écart entre enseignants0,304 · 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 tête enseignante, 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

Citations15
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Interpersonal ViolenceMême sujetGun Ownership and Violence ResearchTravaux en français237 207