Notice bibliographique
Résumé
Abstract Popular criminology is a theoretical and conceptual approach within the field of criminology that is used to interrogate popular understandings of crime and criminal justice. In the last decade, popular criminology has most often been associated with analyses of fictional crime film, while in previous decades, popular criminology referred most often to “true crime” literature or, more generally, to popular ideas about crime and justice. While the term has appeared sporadically in the criminological literature for several decades, popular criminology is most closely associated with the work of American criminologist Nicole Rafter. Popular criminology refers in a broad sense to the ideas that ordinary people have about the causes, consequences, and remedies for crime, and the relationship of these ideas to academic discourses about crime. Criminologists who utilize this approach examine popular culture as a source of commonsense ideas and perceptions about crime and criminal justice. Films, television, the Internet, and literature about crime and criminal justice are common sources of popular criminology interrogated by criminologists working in this field. Popular criminology is an analytic tool that can be used to explore the emotional, psychological, and philosophical features of crime and criminal justice that find expression in popular culture. The popular cultural depiction of crime is taken seriously by criminologists working in this tradition and such depictions are placed alongside mainstream criminological theory in an effort to broaden the understanding of the impact of crime and criminal justice on the lives of everyday people. Popular criminology has become solidified as an approach within the broader cultural criminology movement which seeks to examine the interconnections between crime, culture and media.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,006 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».