MétaCan
Menu
Retour à la cohorte
Enregistrement W7043999331

Under Emanuel, Chicago has fewer detectives to solve murders

2015· other· en· W7043999331 sur OpenAlexaboutno aff

Notice bibliographique

RevueInternet Archive (Internet Archive) · 2015
Typeother
Langueen
DomaineMaterials Science
ThématiqueX-ray Diffraction in Crystallography
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClearanceGovernment (linguistics)SuspectQuarter (Canadian coin)HomicidePayrollLaw enforcement
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

A WBEZ analysis of government records has found that under Mayor Rahm Emanuel, fewer murders are getting solved and the city has fewer detectives and forensic investigators working to solve them. More murders are going unsolved and Chicago's got fewer detectives and forensic investigators working to solve them. A WBEZ analysis of government records's found Since Mayor Rahm Emanuel took office, the number of detectives on Chicago's payroll is down by nearly 20 percent. That means there's 300 fewer cops investigating homicides in Chicago this year compared to back in 20-10. The number of forensic investigators's is down even further. There used to be 36 on staff, now there's only 11 -- in a city where more than 26 hundred people were shot last year. When it comes to the number of murders getting solved, WBEZ found that more than 70 percent of murders go unsolved in calendar year they're committed, and even if you count solving murders from past years, the clearance rate for Chicago is around it's lowest level in decades and FBI data shows Chicago compares poorly with other big cities when it comes to the percentage of murders it solves. And actually, even in cases marked cleared, the killer isn't necessarily found. About a quarter of cases cops've cleared under Emanuel were the result of things like dropped charges, the suspect dying or leaving the country, and other kinds of what're called exceptional clearances.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,065
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,000
Études des sciences et des technologies0,0000,002
Communication savante0,0010,000
Science ouverte0,0030,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0310,013

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,266
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternet Archive (Internet Archive)Même sujetX-ray Diffraction in CrystallographyTravaux en français237 207