School shootings during 2013–2015 in the USA
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Data on the factors associated with school shootings in the USA are limited. The public conversation has often suggested several factors that may be linked to these events, however with little empirical support. Aiming to fill this gap, we describe the characteristics of school shooting incidents in the USA between 2013 and 2015 and explore whether four factors that represent domains of firearm policy, educational policy and epidemiological risk factors for intentional firearm injuries-background check (BC) policies, per capita mental health expenditures (MHE), K-12 education expenditure (KEE) and urbanicity-were associated with school shootings during this period. METHODS: We searched LexisNexis, a newspaper and broadcast media databases for school shooting incidents from 1 January 2013 to 31 December 2015. Presence of BC laws was extracted from legal information in LexisNexis. State-level covariates of per capita MHE (2013), KEE (2013) and urbanicity (2010) rates were obtained from publicly available data sources. We used negative binomial regression models accounting for clustering by state to explore unadjusted associations between the BC laws, state-level covariates and school shootings to report IRR and 95% CI. RESULTS: We documented 154 school shootings (35, 55 and 64 each year). In unadjusted models, BC for firearm purchase (IRR=0.55, 95% CI 0.39 to 0.76), ammunition purchase (IRR=0.11, 95% CI 0.05 to 0.27), log per capita MHE (IRR=0.58, 95% CI 0.37 to 0.90), log per-capita KEE (IRR=0.09, 9% CI 0.02 to 0.29) and urbanicity (IRR=0.97, 95% CI 0.96 to 0.99) were associated with school shooting. CONCLUSIONS: School shootings are less likely in states with BC laws, higher MHE and KEE, and with greater per cent urban population.
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.
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 | 0,002 | 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 | 0,000 | 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) | 0,001 | 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 découle