Invited Commentary: Concealed Carrying of Firearms, Public Policy, and Opportunities for Mitigating Harm
Notice bibliographique
Résumé
In the last 30 years, 25 US states have relaxed laws regulating the concealed carrying of firearms (concealed-carry weapons (CCW) laws). These changes may have substantial impacts on violent crime. In a recent study, Doucette et al. (Am J Epidemiol. 2023;192(3):342-355) used a synthetic control approach to assess the effects of shifting from more restrictive "may/no-issue" CCW laws to less restrictive "shall-issue" CCW laws on homicides, aggravated assaults, and robberies involving a gun or committed by other means. The study adds to the evidence that more permissive CCW laws have probably increased rates of firearm assault in states adopting these laws. Importantly, this study is the first to identify that specific provisions of shall-issue CCW laws-including denying permits to persons with violent misdemeanor convictions, a history of dangerous behavior, or "questionable character" and live-fire training requirements-may help mitigate harms associated with shall-issue CCW laws. These findings are timely and salient given the recent Supreme Court ruling striking down a defining element of may-issue laws. This thorough study offers actionable results and provides a methodological model for state firearm policy evaluations. Its limitations reflect the needs of the field more broadly: greater focus on racial/ethnic equity and within-state variation, plus strengthening the data infrastructure on firearm violence and crime.
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 | 0,011 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,010 | 0,003 |
| Intégrité de la recherche | 0,061 | 0,047 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,012 |
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 ».