Spatial distribution and developmental trajectories of crime versus crime severity: do not abandon the count-based model just yet
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Purpose/background A new body of research that focuses on crime harm scores rather than counts of crime incidents has emerged. Specifically in the context of spatial analysis of crime, focusing on crime harm suggests that harm is more concentrated than counts, at the level of crime hot spots. It remains presently unclear what drives the concentration distributions, and whether the count-based model should be abandoned. Methods Cross-sectional and longitudinal analysis of 6 year of spatiotemporal crime data in Toronto, Canada, to compare patterns and concentration of crime harm (measured in terms of the Crime Severity Index (CSI) against crime counts. Conditional probabilities, trajectory analyses, power few concentrations, and spatial Global Moran’s I are used to infer generalised trends from the data. Findings Overall CSI and crime counts tend to exhibit similar concentrations at the spatial micro levels, except against-the-body crimes such as violence which seems to drive nearly all the variations between the two measurement types. Violence harm spots tend to be more dispersed citywide and often do not remain constant year-to-year, whereas overall crime hotspots are more stable over time. Nevertheless, variations in disproportionally high crime hot spots are associated with total variations in crime, with as little as 1% increase in crime levels in these hot spots translating into substantial overall gains in recorded crime citywide. Conclusions Abandoning count-based models in spatial analysis of crime can lead to an incomplete picture of crime concentrations. Both models are needed not just for understanding spatial crime distributions but also for cost-effective allocation of policing resources.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle