MétaCan
Menu
Retour à la cohorte
Enregistrement W4281701738 · doi:10.1080/1068316x.2022.2080208

Offender insight into Australian stolen goods markets from 2002–2017: the DUMA survey as a 16-year window into property crime offenders’ target selections and disposal

2022· article· en· W4281701738 sur OpenAlexaboutno aff
Joseph Clare, Liam Quinn, Rick Brown, Anthony Morgan, Tom Sullivan

Notice bibliographique

RevuePsychology Crime and Law · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife Conservation and Criminology Analyses
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClothingPoint (geometry)Property crimeProperty (philosophy)Consumption (sociology)Quarter (Canadian coin)BusinessCriminologyMarketingLawSociologyPolitical scienceViolent crimeSocial scienceHistory

Résumé

récupéré en direct d'OpenAlex

Since 2002, seven iterations of the Drug Use Monitoring in Australia (DUMA) programme survey have asked arrested offenders about their stealing behaviours, including questions relating to stolen goods target selection and disposal. Throughout this same time period, stealing and domestic burglary rates in Australia have steadily declined. This paper examines the DUMA data with these high-level acquisitive crime trends in mind. Survey findings point to offenders having shifted away from stealing increasingly devalued electronic consumer goods for resale purposes, and toward stealing increasingly expensive food and clothing for personal consumption. This is consistent with what would be expected according to Consumer Price Index data, the opportunity-based CRAVED framework, and offender domain expertise. Applied and theoretical implications are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,139
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0110,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,306
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePsychology Crime and LawMême sujetWildlife Conservation and Criminology AnalysesTravaux en français237 207