Leveraging police incident data for intelligence-led policing
Notice bibliographique
Résumé
This article investigates what can be learned from the data collected in police incident reports by applying cutting-edge analytic techniques: hashing and clustering, to determine the structure of similarity among incidents (clustering); and social network analysis based on co-presence of individuals at incidents (social network analysis). No particular hypotheses are posited; rather, the aim is exploratory, to see what kind of useful information is implicit in the data that is collected by police across the world as a routine part of their operations. The sample for this study consisted of a year’s worth of data from the Kingston Police in Ontario, Canada, comprised of 188 attributes associated with 46,668 incident records. The clustering results provide empirical evidence that the operations of Kingston Police are free from bias with respect to individuals, crimes, or regions. Issues worth further attention are suggested by the clustering. The social network of co-presence, where edges arise from presence at the same incident, also reveal useful properties, highlighting individuals who interact with police a lot, and revealing the role of non-criminals as connectors. While the concept of co-offending, and associated networks, is well-established (e.g., Morselli, 2014 ), the findings from this chapter suggest value in developing an analogous theory of co-presence networks. This kind of analysis supports intelligence-led policing by helping to identify possible problem areas or opportunities for crime prevention such as hot spot policing. Limitations to improve exploitation of data which police forces already collect include 1) growing the skill sets of analysts so that they can carry out deeper kinds of analysis; 2) providing data analytics infrastructure to enable this kind of analysis; and 3) the difficulty, especially for senior management, in grasping the potential of inductive approaches to large data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,021 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».