Narrative Criminology: Understanding Stories of Crime. Edited by L. Presser and S. Sandberg (New York: New York University Press, 2015, 318 pp. £29.99 UK)
Notice bibliographique
Résumé
This collection stands as a programmatic statement of what narrative criminology is, and is not. It is simultaneously an invitation to researchers to foreground narratives in their research, and an opportunity to interrogate the novelty and viability of this approach. Narrative criminology turns our attention, yet again, to stories. That we need to pay attention to stories is not a new idea—indeed, it has been a tradition in philosophy, psychology, early childhood education, sociology and other disciplines for decades. The editors of this volume, however, posit that criminologists to date have not fully embraced this narrative focus, and consequently urge us to foreground the functions and implications of individuals’ stories about crime, criminal justice and victimization, both for the storytellers themselves and the wider society. In doing so, narrative criminologists remind us that stories have a significant impact on people’s lives and future decisions. To some extent, qualitative criminologists have always used people’s stories as data. What is distinctive about narrative criminology, then, is the focus on narratives qua narratives. That is, the researcher brackets off the question of whether these stories are true or accurate, and instead focuses on them exclusively as stories. As Presser notes, ‘narrative criminologists are largely uninterested in what the world and agents in it are really like’ (Presser 2016: 139). Instead, narrative criminologists see stories as a means to gather insights into people’s understandings of social structure, human interaction, culture, subjectivities and self-identity. These could be narratives about ‘doing crime’, or, in turn, could also be narratives about desisting from crime.
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 | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».