The Impacts of Green Spaces on Crime in New York City
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
From the early 1960s through the mid-1990s, crime in New York City ran rampant. With a gradually dwindling police during this time, a high unemployment rate, and an rapidly increasing metropolitan population, crime peaked in the early 1990s, with the murder rate hitting a record-high of 2,245 in 1990. When Mayor Rudy Giuliani took office in 1994 and appoint Bill Bratton as the NYPD police commissioner, these rates immediately plunged. Numerous factors may have contributed to this sudden decline in crime: the police force grew significantly through the 1990s, more criminals were placed and held in prison, and the economic boom of the 1990s brought with it a tremendous drop in the national and city unemployment rate. While economic factors have traditionally been regarded as the leading factor in impacting the occurrence of crime, recent research into the effects of green spaces on crime rates have opened the door to alternate explanations. Some studies indicate that greening areas helps to deter crime by “signaling to potential criminals that a house is better cared for and, therefore, subject to more effective authority.” Other studies have gone as far as to draw a link between mental fatigue and an increase in crime, claiming that green spaces serve as a calming and crime-deterring agent. While the field of environmental criminology is relatively young in its depth of research, this study aims to further only a small component of the discipline: the effects of green spaces on social disorder and social cohesion. Based off of the findings from previous research conducted by Matthew Iannone regarding the presence of green spaces in Manhattan, this study looked at the occurrence of 8,149 violent crimes (assault, murder, rape, and robbery) in the Bronx from January 1, 2016 to December 31, 2017.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle