Notice bibliographique
Résumé
The Geography of Crime has a history in criminology that repeatedly finds a clustering of crime in time and space. Research in this field explores spatio-temporal patterning by studying who commits crimes, and why and when they commit crimes more in some parts of a city. Research finds a level of stability for many crimes. This thesis uses reported assault and break-and-enter crimes in Regina to explore in more depth the spatial-temporal patterns of crime and to develop and use hazard-risk modelling to improve methods of predicting future crime concentrations. Specifically, in order to explore and improve current hazard-risk models in criminology, new software was created for this thesis (Crime Risk Assessment Software) in order to generate a geostatistical risk model of two crime types, assault and break-and-enter (dynamic and static, respectively), to determine whether geostatistics, specifically Kriging techniques, could create strong predictive risk surfaces of these crimes. Through this exploratory spatio-temporal research, it was believed that after buildling and testing the model, statistics would reveal that the Kriging model would more accurately predict static crime than it would dynamic crime owing to the mobility issue of the crimes chosen (e.g., assault can happen anywhere spatially whereas break-and-enter can only occur at a static location such as a residence). Using examples provided by the Regina Police Service (RPS) in Saskatchewan, Canada, from assault and break-and-enter data gathered over the period from January 1, 2005, to December 31, 2005, both the Kriging risk models and the Crime Risk Assessment software demonstrated successful application in depicting spatially clustered data consistent with Geography of Crime Geography of Crime research.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,003 | 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 ».