Study 1: 630 Domestic-Terrorist, Mass-Murdering, Spree-Shooters Differ from 623 Controls and Study 2: 15 Domestic-Terrorist, Mass-Murdering, Spree-Shooters Differ From 23 Homicidal and 36 Controls on the Standard Predictor of Violence Potential and the MMPI-2/A: Implications Are to Use Computer Tests and Machine Learning Equations
Notice bibliographique
Résumé
Study 1: 630 spree-shooters [1936-2021] (1,650 deaths; 3,123 injuries; 194 suicides [31%]), 623 controls logistic regression differences (F= 260.44, df=10/1242, R=.82, R2 =.68, p<.01): (1) homicidal ideation; (2) planning-preparation; (3) stressful-life-event; (4) revenge-motive; (5) acquired-multiple-weapons; (6) elicited-concern; (7) school-location; (8) personal-grievance; (9) suicide; (10) current-student. Study 2: 15 spree-shooters differences, adult, teen: [SP] violence (F=17.48, 123.09); [MMPI-2/A] infrequency (F=92.15, 17.22); lie (F=13.13, 33.91); depression (F=37.76, 26.18); psychopathic-deviance (F=44.66, 57.45); paranoia (F=50.58, 23.92); schizophrenia (F=53.85, 21.69); alcohol (F=42.01, 16.84); addiction (F=57.34, 38.88) compared with 23 homicidal, 36 controls. Spree-shooter loss (1936-2021) = [$2,416,042,490 (630 @ $3,834,988.08) + $6,327,730,332 (1,650 @ $3,834,988.08) + $105,474,702.96 (3,123 @ $33,773.52) = $8,849,247,525.36] + [insurance, tax-increases $11,504,021,782.97 ($8,849,247,525.36 x 1.3] =$20,353,269,308.33. Projecting 2021 to 2105 insurance industry with no computer tests, machine learning equations, $40,706,538,616.66, 3,330 deaths, 6,246 injuries, 388 suicides. Projecting 2017 U.S. Church pedophilia loss (2012-2037, 2038-2056, 2057-2082, 2083-2107), $5,719,865,400 x 5 = $28,599,327,000, 5,679 x 5 = 28,395 victims.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».