The relationship between atmospheric lead emissions and aggressive crime: an ecological study
Notice bibliographique
Résumé
BACKGROUND: Many populations have been exposed to environmental lead from paint, petrol, and mining and smelting operations. Lead is toxic to humans and there is emerging evidence linking childhood exposure with later life antisocial behaviors, including delinquency and crime. This study tested the hypothesis that childhood lead exposure in select Australian populations is related to subsequent aggressive criminal behaviors. METHODS: We conducted regression analyses at suburb, state and national levels using multiple analytic methods and data sources. At the suburb-level, we examined assault rates as a function of air lead concentrations 15-24 years earlier, reflecting the ubiquitous age-related peak in criminal activity. Mixed model analyses were conducted with and without socio-demographic covariates. The incidence of fraud was compared for discriminant validity. State and national analyses were conducted for convergent validity, utilizing deaths by assault as a function of petrol lead emissions. RESULTS: Suburb-level mixed model analyses showed air lead concentrations accounted for 29.8 % of the variance in assault rates 21 years later, after adjusting for socio-demographic covariates. State level analyses produced comparable results. Lead petrol emissions in the two most populous states accounted for 34.6 and 32.6 % of the variance in death by assault rates 18 years later. CONCLUSIONS: The strong positive relationship between childhood lead exposure and subsequent rates of aggressive crime has important implications for public health globally. Measures need to be taken to ameliorate exposure to lead and other environmental contaminants with known neurodevelopmental consequences.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».