1200 paths and counting: A script analysis of firearms trafficking in the Province of Quebec, Canada
Notice bibliographique
Résumé
Based on the crime script approach, the main objective of this study was to identify steps involved in firearms trafficking in the Province of Quebec, Canada. Our analysis focused on actions performed by actors, facilitating conditions, obstacles and errors for each step of the firearms trafficking process. A deductive thematic analysis was conducted to build the firearms trafficking script with 76 investigation files, conducted between 1996 and 2020, that were provided by the Quebec State Police. Firearms trafficking included six steps: (1) preparation; (2) acquisition of firearms; (3) storage of firearms; (4) search for customers; (5) transaction; and (6) exit. Since each step can be completed with different actions, a total 1200 combinations of actions could be used to traffic firearms. Results also indicated that several actors were involved at different steps of the script such as suppliers, middlemen, and vendors. Unregulated tools (e.g., hydraulic press, mold), materials and components (e.g., steel sheets, barrels) facilitated the fabrication of private firearms, while advertising firearms on social media was an error made by some suspects. The dynamic and sequential nature of firearms trafficking was highlighted by our script analysis. Crime script analysis also proved to be a useful approach to predict potential crime displacement, plan program evaluation and implementation, and prioritize prevention measures involving multiple agencies. • Firearms trafficking includes six steps from the preparation up to the transaction. • Each step can be completed with multiple actions. • Unregulated tools and pieces facilitate the fabrication of private firearms • 21 % of all trafficking cases included 20 firearms or more.
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 | 0,003 | 0,001 |
| 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 | 0,000 |
| 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 ».