Notice bibliographique
Résumé
Throughout the early part of the 2010s, the City of New York, and New York Police Department (NYPD) in particular, were generating significant positive attention over the fact that the city’s crime rate had dropped at about twice the national rate (Roeder et al, 2015). Heralded as the ‘New York Miracle’, commentators observed how the City that had formerly stood as a symbol for crime, social disorder, and urban decay was now the City that had become ‘safe’ (Zimring, 2013). Some have credited NYPD’s use of Wilson and Kelling’s (1982) ‘broken windows’ approach as generating declines in certain offences (Sengupta and Jantzen, 2018); others cite police use of the CompStat model to target district-level offences as the primary catalyst of change (Zimring, 2013). Regardless of what actually drove New York’s crime decline, cities across the globe began to look to New York as offering potential solutions to adopt in response to their own local conditions. That New York became a site from which other, frequently smaller, police services sought to poach crime fighting ideas is not surprising in one sense: larger police services often have the financial and human resources to develop and test their own innovations and/or to trial new technologies. To illustrate: the first major trial of body-worn cameras (BWCs) in the UK was with Devon and Cornwall Police, and the Toronto Police Service were the site of the first trial in Canada, both agencies with more than a couple of thousand sworn officers. Similarly, we find two other major municipal agencies – Los Angeles and Dallas – as two early adopters of predictive policing software.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».