Crime Modeling and Mapping Using Geospatial Technologies Crime Modeling and Mapping Using Geospatial Technologies, edited by Michael Leitner Springer
Notice bibliographique
Résumé
Crime mapping and spatial analysis of crime remains one of the most active fields regarding the applications of geospatial technologies. Included in the book series of Geotechnologies and Environment by Springer, Crime modeling and Mapping Using Geospatial Technologies, edited by Michael Leitner, presents a rich collection of the latest research applying cutting edge geo-techniques to crime mapping and spatial analysis of crime. This book is made up of eighteen chapters which cover a broad range of topics such as spatial analysis of drug market areas, spatiotemporal clustering of crime hot spots, journey to crime, and campus crime. Whereas most chapters of this book focused on the analysis of crime occurred in U.S. cities, several chapters investigated the geography of criminal activity in Belgium, Canada, England, and Mexico. Each chapter addresses different problems and uses unique GIS-based approaches; yet, they are grouped into four sections according their emphases: Fundamental spatial problems, crime analysis, crime modeling, crime mapping, and applications and implementations. In fact, it may be more reasonable to classify those works by units of analysis (e.g., street crime, journey to crime, neighborhood crime, campus crime, and spatiotemporal clustering of crime) because mapping, analysis, and modeling of crime are techniques intertwined with each other and some chapters still fit well if being placed into other sections
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».