An Analysis of Collective Efficacy as a Predictor of Gun Violence in Toronto
Notice bibliographique
Résumé
There has been a 42% increase in gun violence in Canada since 2013, largely due to increases in Toronto (Statistics Canada, 2022a). To gain a better understanding of this phenomenon, this study evaluated collective efficacy as a predictor of gun violence. Seven correlates of collective efficacy were identified including, low economic status, ethnic diversity, mobility, family disruption, employment rate, low educational attainment, and youth percentage in a population. This study included data from the City of Toronto’s Open Data Portal and the 2016 Canadian Census. The data were pulled from various datasets and then were reorganized into one file, which was then used to run a multiple regression analysis. This allowed for the assessment of the relationship between the multiple correlates of collective efficacy and gun violence. Ultimately, this research was able to provide evidence that collective efficacy is an accurate predictor of gun violence in Toronto’s neighbourhoods. Low economic status, ethnic diversity, employment rate, and youth percentage in a population were significant predictors of gun violence, and family disruption was a marginally significant predictor of gun violence. The results of this study are important as they directly advance knowledge regarding predicting gun violence using collective efficacy, and do so in a solely Canadian context. The results of this research can assist policy makers and community outreach programs to better identify and inform their gun violence reduction strategies across Toronto.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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 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 ».