Are Crime and Collective Emotion Interrelated? A “Broken Emotion” Conjecture from Community Twitter Posts
Notice bibliographique
Résumé
A neighborhood’s social cohesion, referring to the emotional and social connection of people within it, tends to have an influential impact on its crime level. Traditional approaches to measuring social cohesion and collective efficacy are mostly interviews and surveys, which are usually costly in time, money, and other resources. Big social media data provides us with a new and cost-effective source of such information. We believe the combination of spatial and contextual information of geotagged Twitter posts (tweets) can gauge the residents’ collective emotions in a neighborhood. The positivity and negativity of these collective emotions may be used to approximate the collective efficacy of the community. Inspired by the broken window theory, we propose a broken emotion conjecture to explain the relationship between collective emotion and crime. To test this conjecture, we collected data on four types of crime (assaults, burglaries, robberies, and thefts) and all public geotagged tweets ( N = 778,901) in Cincinnati, Ohio, USA in 2013. We extracted innovative variables from tweets’ spatial and contextual information to explain community crime and enlighten new criminology theory. Results of negative binomial models show: (1) with necessary socio-economic and land-use factors controlled, the more negative the collective emotion of a neighborhood, the more the crime (except for theft); (2) however, the positivity of the collective emotion of a neighborhood does not have any statistically significant influence on crime. These correspond well with signal detection theory in psychology. The proposed broken emotion conjecture is supported with data from Cincinnati and its general applicability should be tested in other regions.
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 | 0,006 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».