A Bayesian spatial shared component model for identifying crime-general and crime-specific hotspots
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
The spatial patterning of crime hotspots provides place-based information for the design, allocation, and implementation of crime prevention policies and programmes. However, most spatial hotspot identification methods are univariate, analyse a single crime type, and do not consider if hotspots are shared amongst multiple crime types. This study applies a Bayesian spatial shared component model to identify crime-general and crime-specific hotspots for violent crime and property crime at the small-area scale. The spatial shared component model jointly analyzes both violent crime and property crime and separates the area-specific risks of each crime type into one shared component, which captures the underlying crime-general spatial pattern common to both crime types, and one type-specific component, which captures the crime-specific spatial pattern that diverges from the shared pattern. Crime-general and crime-specific hotspots are classified based on the posterior probability estimates of the shared and type-specific components, respectively. Results show that the crime-general pattern explains approximately 81% of the total variation of violent crime and 70% of the total variation of property crime. Crime-general hotspots are found to be more frequent than crime-specific hotspots, and property crime-specific hotspots are more frequent than violent crime-specific hotspots. Crime-general and crime-specific hotspots are areas that may be targeted with comprehensive initiatives designed for multiple crime types or specialized initiatives designed for a single crime type, respectively.
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 | 0,000 | 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 | 0,000 |
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 découle