Exploring police-reported cybercrime in Canada
Notice bibliographique
Résumé
Purpose Police-reported incidents of cybercrime appear to vary dramatically across Canadian municipal police services. This paper explores cybercrime reporting by police services in eight of Canada's largest municipalities, assessing (1) variation over time; (2) variation across jurisdictions; and (3) correlates of reporting volumes. Design/methodology/approach Data was collected from a combination of national Uniform Crime Report statistics and annual reports by police services. Two repeated one-way ANOVA tests and a Pearson's r correlation matrix were used to assess variation and correlation. Findings Findings suggest that police-reported cybercrime varies significantly across jurisdictions but not over time. Moreover, negative relationships were observed between police-reported cybercrime incidents per 100,000 residents and calls for service per 100,000, as well as number of sworn officers per 100,000. Research limitations/implications The study assessed a small sample of cities ( N = 8) providing 32 data points, which inhibited robust multivariate analyses. Data also strictly represents calls to police services, therefore excluding alternative resolutions such as public–private interventions. Practical implications Canadian provincial and federal governments should consider engaging in high-level talks to harmonize cybercrime reporting strategies within frontline policing. This will mitigate disparity and provide more accurate representations of cybercrime for future policy development. Additionally, services should revisit internal policies and procedures, as it appears that cybercrime is deprioritized in high call volume situations. Originality/value This paper introduces previously unreported data about police-reported cybercrime incidents in Canada. Furthermore, it adds quantitative evidence to support previous qualitative studies on police responses to cybercrime.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».