MétaCan
Menu
Retour à la cohorte
Enregistrement W7067737442

Neo-‐Colonial Criminology: Quantifying Silence

2014· article· en· W7067737442 sur OpenAlexaboutno aff

Notice bibliographique

RevueDigital Scholarship - Texas Southern University (Texas Southern University) · 2014
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMachine Learning in Bioinformatics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEliteIndigenousMainstreamSilenceSubject (documents)Criminal justiceState (computer science)Fourth World
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In Australia, Canada, New Zealand and the United States of America, Indigenous peoples continue to experience incarceration at markedly disproportionate rates. Some scholars have criticised criminology for contributing to this social problem by marginalising Indigenous peoples in research and research publications. This study is a first attempt to quantitatively evaluate the (de)colonised state of contemporary criminology. It involves a comprehensive review of research on ‘Indigenous peoples in the criminal justice context’, which has been undertaken in aforesaid countries and was published in elite criminology journals over the past decade (2001-­‐2010). The findings reveal that publication rates on the subject are low both compared to incarceration rates and compared to the quantity of academic discourse about other disproportionately incarcerated social groups. Since an adequate, i.e. attention-­‐grabbing, quantity of academic discourse has been linked to the public recognition of social problems, the dearth of publications on the subject suggests that mainstream criminology inhibits public attention to the issue and thus contributes to the marginalisation of Indigenous peoples, the reproduction of social inequality and the preservation of elite power.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,028
score de la tête « metaresearch » (Gemma)0,123
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,147

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,123
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0110,014
Études des sciences et des technologies0,0030,014
Communication savante0,0100,008
Science ouverte0,0010,006
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,026
Tête enseignante GPT0,225
Écart entre enseignants0,199 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDigital Scholarship - Texas Southern University (Texas Southern University)Même sujetMachine Learning in BioinformaticsTravaux en français237 207