MétaCan
Menu
Retour à la cohorte
Enregistrement W4402576491 · doi:10.1177/10575677241276858

Examining the Boost Account for Repeat and Near Repeat Burglary in Canada

2024· article· en· W4402576491 sur OpenAlexafffundabout
Karla Emeno, Mari Pullman, Craig Bennell

Notice bibliographique

RevueInternational Criminal Justice Review · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCrime Patterns and Interventions
Établissements canadiensCarleton UniversityOntario Tech University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésCluster (spacecraft)Space (punctuation)DemographyCriminologyPsychologySociologyComputer science

Résumé

récupéré en direct d'OpenAlex

Research suggests that previously burglarized targets, and targets located near such locations, are at an increased risk of being victimized. However, this elevated risk is only temporary and appears to subside over time. The boost account is one theory that attempts to describe the occurrence of repeat, and near repeat, burglaries. The boost account suggests that these burglaries are the result of the same offender returning to burglarize a dwelling that they have successfully burglarized in the past, or one near the previously victimized target. In the current study, we first determined the repeat and near repeat space-time clustering of solved residential burglaries committed in Edmonton, Alberta, Canada, from 2007 to 2008. The results indicate that solved Edmonton burglaries do cluster together in time and space (i.e., residences within 700 m of a previous burgled target are at an increased risk for a period of 7 days). We also investigated whether repeat and near repeat burglaries in the dataset were more likely than distant burglaries to be committed by the same offender. It was found that serial offending by the same offender offers a viable rationale for much of the repeat and near repeat burglaries committed in Edmonton from 2007 to 2008. The practical implications of these results, as well as some limitations and directions for future research, are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,762
Score d'incertitude au seuil0,690

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,108
Tête enseignante GPT0,397
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInternational Criminal Justice ReviewMême sujetCrime Patterns and InterventionsTravaux en français237 207