"TRACKING THE INCIDENCE OF US HATE CRIMES BY KEY LEGISLATIVE MARKERS (1991-2020)"
Notice bibliographique
Résumé
The Hate Crime Statistics Act (1990) in the US requires that the Attorney General collect and publish annually the incidence of hate crimes in the US based on a victim's race, religion, disability, sexual orientation, or ethnicity.With almost 220,000 hate crimes committed from 1991-2020, the present study tracked changes in the incidence of 163,375 racially-motivated hate crimes, as perpetrated against each of the following groups: Arabs, Asians, Blacks, Hispanic, Indigenous, Jews, and Whites.Crimes ranged from intimidation to homicide.Legislative markers included both widely publicized incidents (viz.James Byrd and Matthew Shepard, 1998), as well as significant changes to law enforcement and criminal punishment including the Violent Crime Control Act (1994), Church Arson Prevention Act (1996), Hate Crimes Prevention Act (2009); and most recently the Emmett Till Antilynching Act (2022).We tracked changes in crime rates by six 5-year time periods and region in the US.Initial analysis indicated changes in hate crime rates over time, but with a unique pattern for each racial group.For instance, hate crimes against both Asian and White victims were at their highest in 1991-1995, but steadily decreased despite a rise in 2016-2020.Crimes against Indigenous were lower in the first two decades only to increase in 2011-2020.Black victims (routinely with the highest incidence) saw a zigzag pattern: low in the early 90s, then high; low again in the early 2000s, then high; but lower from 2011-2020 (likely due to wider news coverage).Hispanics saw a steady rise in incidence over time, whereas Arabs were targeted more following Sept.11/2001.Crimes against Jews were largely invariant across the 30 years.Implications of these data to the wider social arena are discussed, as are directions for future research.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».