GEOGRAPHY OF CRIMINAL OFFENSES OF THE CITY OF KYIV
Notice bibliographique
Résumé
The article deals with the distribution of criminal offenses in the territory of Kyiv city in 2015-2018. The purpose of the article is to reveal the topic of crime in the city of Kyiv, as one of the most important problems of its further development as a European capital. The author focuses on the place of Kyiv in various international rankings, such as the rating of the international consulting company Mercer, the rating of the world’s largest database of cities and countries of the world, Numbeo et al. Using statistics from the State Statistics Service of Ukraine, the author compiled several tables: “The number of criminal offenses reported in the districts of the city of Kyiv in 2015-2018”, “Number of criminal offenses reported by the city of Kyiv by individual types in 2015-2018”, “Crime peculiarities of the city of Kyiv by regions in 2015-2018”, “Criminality of Kyiv City in different areas by regions in 2015-2018”, “Number of detected persons who committed criminal offenses in the city of Kyiv by districts in 2015-2018”. Based on the analysis of these tables, the rating of districts of the city of Kyiv for each of the studied years was drawn up, as well as the rating for four years together, the types of criminal offenses the number of which is the largest and the smallest in the city was selected. The author presents the probable reasons that lead to the predominance of theft, as well as grave and especially grave crimes, fraud and robbery over other types of crimes in the city. Using the rank method, the author identified the largest and least criminal districts of the city of Kyiv for each of the studied years. The article provides statistics on murders in capitals of different countries, including Kyiv, for 2012. The author emphasizes that educated people leave the country for Europe, Canada, the United States, China and other countries, reducing the number of intellectuals, who are less prone to commit crimes, and also offers measures to prevent the increase in the number of criminal offenses in the districts of Kyiv.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».