Analyzing Urban Crime Through Street View Imagery: Insights from Urban Micro Built Environment and Perceptions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Understanding the relationship between urban crime and the built environment is crucial for developing effective crime prevention strategies, particularly in the context of rapid urban development and city planning. As cities grow, urbanization leads to environments that either promote or inhibit criminal activity, making it essential to explore the interactions between urban design and crime. This study investigates the impact of micro built environment (MBE) elements and place perceptions on crime occurrences in Toronto using street view imagery (SVI) data and machine learning models. We used logistic regression models and an XGBoost (Version 1.7.5) classifier to assess the significance of MBE and perception variables in classifying crime and non-crime intersections. Our findings reveal that intersections with criminal activity tend to be related to more mobility-related features, such as roads and vehicles, and fewer natural elements, such as vegetation. The “beautiful” and “depressing” perceptions emerged as the most significant variables in explaining crime events, surpassing the commonly studied “safety” perception. The XGBoost model achieved 86% accuracy, indicating that MBE and perception variables are strong predictors of crime risk. These findings suggest that enhancing vegetation and improving street aesthetics could serve as effective crime prevention measures in urban environments. However, limitations include the general nature of the perception model and the reliance on aggregated crime data. Future research should incorporate local perceptions and fine-scale crime data to provide more tailored insights for urban planning and crime prevention
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.
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 | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle