Comment on Estimating the True Rate of Repeat Victimization from Police-Recorded Crime Data
Notice bibliographique
Résumé
The Recorded Repeats Adjustment Calculator (RRAC) methodology introduced by Frank, Brantingham, and Farrell (2012) doesn’t consider the entire probability mass function associated with the binomial distribution. Although the authors recognized and documented this as a limitation, the implications are significant because some of their key findings are not internally consistent with their explicit underlying assumptions or the available empirical data. This article proposes revised estimates, based on a Bayesian treatment of the empirical data and underlying assumptions stated by the authors themselves. According to the initial RRAC estimates they reported, repeat burglary victims would have represented 47.1% of all burglaries or 22.0% of all burglary victims. The proposed revisions suggest instead that repeat burglary victims represent approximately 30.8% of all burglaries or 15.9% of all burglary victims. By comparison, based strictly on the police-recorded data, repeat victims account for 19.8% of all reported burglaries or 10.0% of all burglary victims. While these findings tend to temper the empirical findings and original conclusions of Frank, Brantingham, and Farrell (2012), they provide renewed support for their insight that raw police-recorded crime data are likely to underestimate the true rate of repeat victimization.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,135 | 0,570 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,008 | 0,004 |
| Intégrité de la recherche | 0,009 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».