Social networks and gangs: moving research forward with low-cost data collection opportunities in school and prison settings
Notice bibliographique
Résumé
Purpose As useful as police data have been in furthering our knowledge of gangs and gang violence networks, not everything about gang networks can be learned from examining police data alone. There are numerous alternative sources of data that already exist on gang networks and some that can be developed further. This study aims to introduce existing research on social networks and gangs with a specific focus on prisons and schools. Design/methodology/approach This study reviews the existing empirical literature on gang networks in schools and prison settings and use the broader literature on social networks and crime to propose directions for future research, including specific suggestions on data collection opportunities that are considered to be low-cost; that is, strategies that simply make use of existing administrative records in both settings, instead of developing original data collection procedures. Findings The author found the existing literature on each of these settings to be quite limited, especially when the spotlight is put specifically on gang networks. These shortcomings can be addressed via low-cost opportunities for data collection in each of these settings, opportunities that simply require the network coding of existing administrative records as a foundation for gang network studies. Originality/value Investing in these low-cost network data collection activities have the potential for theoretical and empirical contributions on our understanding of gang networks, and may also bring value to practitioners working in school and prison settings as a guide for network-based planning or interventions.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».