How Network Analysis Uncovers International Networks of Smuggling History: Criminals in Nagasaki, Japan circa 1667
Notice bibliographique
Résumé
This paper takes a network analytic approach to investigating crime in seventeenth-century Japan. In 1667, the Nagasaki magistrate’s office conducted the largest documented smuggling crackdown in Tokugawa Japan (1603–1867), busting a ring of 87 arms traffickers who had been shipping contraband to Chosŏn Korea (1392–1910). I use the office’s “criminal investigation records” (*hankachō* 犯科帳) to build a dataset of the 94 suspects from ten Japanese towns who were interrogated about their involvement at the time. Using a three-mode network (people, place, crime), the resulting graphs and statistics reveal a new geography of the crime in question: contrary to the conclusions of the original investigators and of modern-day historians who “closely read” their records, the digital analysis relocates the epicenter of the smuggling ring to be in Tsushima, not Hakata or Nagasaki, and its ringleader as a merchant named Komoda Kanzaemon, rather than Itō Kozaemon. Though various limitations are recognized, the case study demonstrates the utility of network analysis on early modern crime data in general and for archives built with criminal-investigative intent like the _hankachō_ in particular.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».