Assessing the Impact of Cannabis Decriminalization on Racial Disparities in Chicago’s Cannabis Possession Arrests
Notice bibliographique
Résumé
Black and Hispanic neighborhoods have suffered the most severe consequences of the “war on drugs.” As the war on drugs waned, cannabis legalization/decriminalization efforts increased across America. A prime example of decriminalization occurred in August of 2012 as the City of Chicago introduced a new law providing officers with option to ticket, rather than arrest, individuals caught in possession of 15 grams of cannabis or less. As cannabis policy continues evolving, it remains to be seen whether or not the trend toward decriminalization will produce equitable changes in drug arrest outcomes across racial/ethnic groups. We employ data tracking cannabis arrests over time by neighborhood to assess the impact of cannabis decriminalization in Chicago and estimate racial disparities in the likelihood of arrest (v. ticket) using two sets of models: within-neighborhood models and hierarchical logistic regressions with random effects. We find that Blacks and non-White Hispanics are more likely to be arrested than ticketed for minor cannabis possession in Chicago following the introduction of the Alternative Cannabis Enforcement (ACE) program, regardless of the neighborhood where the arrest took place. In addition, Black neighborhoods did not experience the same reduction in arrests after the law changed in comparison with racially mixed, White, or predominantly Hispanic neighborhoods. Our findings draw attention to the differential deployment of discretionary policing strategies across neighborhoods of different racial/ethnic composition. Although Chicago’s ACE program has lowered the overall rate of cannabis arrests, major racial/ethnic disparities in those arrests remain and become exacerbated when examining macro neighborhood-level trends.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».