“Calculated” risk-taking: the choice of risky locations in organized sexual homicide
Notice bibliographique
Résumé
Purpose This study aims to examine the factors related to offender risk-taking in sexual homicide (SH). More specifically, this paper explores whether the crime-commission process of organized SH is associated with low-risk offending, operationalized as the frequency of selecting crime locations with the risk of witness detection. Design/methodology/approach The sample for this study consists of 350 cases of SH in Canada between 1948 and 2010. Bivariate analyses were used to identify significant differences between low-risk (n = 250) and high-risk (n = 100) offending across the independent variables. Moreover, logistic regression was used to determine under what conditions an organized crime-commission process is associated with low-risk offending. Findings The bivariate analyses indicate that many variables related to an organized crime-commission process were significantly associated with high-risk offending. Similarly, the logistic regression analyses demonstrated that behaviours linked to an offender’s sexual goals or fantasies (e.g. specific victim targeting, engaging in sexual intercourse with the victim, biting and leaving biological evidence) were associated with decreased odds of low-risk offending. In contrast, more opportunistic behaviours (e.g. selecting sex-trade workers and engaging in overkill) were associated with increased odds that the offender engaged in low-risk offending. Originality/value This study takes a unique approach to examining risk-taking in SH based on offenders’ selection of risky crime locations. It opens avenues for future research to explore different thresholds for risky offending behaviour and the decision-making that manifests in low- and high-risk crime-commission processes.
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 | 0,001 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».