MétaCan
Menu
Retour à la cohorte
Enregistrement W2885668258 · doi:10.3386/w24897

Economic and Non-Economic Factors in Violence: Evidence from Organized Crime, Suicides and Climate in Mexico

2018· preprint· en· W2885668258 sur OpenAlexfundno aff
Ceren Baysan, Marshall Burke, Felipe González, Solomon Hsiang, Edward Miguel

Notice bibliographique

RevueNational Bureau of Economic Research · 2018
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural risk and resilience
Établissements canadiensnon disponible
Organismes subventionnairesCentro de Excelencia en Geotermia de Los AndesUniversity of California, San DiegoUniversity of Toronto
Mots-clésEconomic crimeCriminologyViolent crimeGeographyPsychology

Résumé

récupéré en direct d'OpenAlex

Organized intergroup violence is almost universally modeled as a calculated act motivated by economic factors. In contrast, it is generally assumed that non-economic factors, such as an individual's emotional state, play a role in many types of interpersonal violence, such as "crimes of passion." We ask whether economic or non-economic factors better explain the wellestablished relationship between temperature and violence in a unique context where intergroup killings by drug-trafficking organizations (DTOs) and "normal" interpersonal homicides are separately documented. A constellation of evidence, including the limited influence of a cash transfer program as well as comparison with both non-violent DTO crime and suicides, indicate that economic factors only partially explain the observed relationship between temperature and violence. We argue that non-economic psychological and physiological factors that are affected by temperature, modeled here as a "taste for violence," likely play an important role in causing both interpersonal and intergroup violence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,144
Tête enseignante GPT0,416
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetAgricultural risk and resilienceTravaux en français237 207