Experimental Analysis of Large Language Models in Crime Classification and Prediction
Notice bibliographique
Résumé
Increasing crime rates and evolving challenges in law enforcement have raised the need for innovative solutions, leading to the emergence of smart policing. This paradigm shift incorporates artificial intelligence (AI) with a specific focus on machine learning (ML) as a pivotal tool for data analysis, pattern recognition, and proactive crime forecasting. Large-language models (LLMs) as a subset of generative AI have been used in different domains, such as financial, medical, legal, and agricultural applications. However, the abilities and possibilities of adopting LLMs for smart policing applications such as crime classification remain unexplored. This paper explores the transformative potential of BART, GPT-3, and GPT-4, three state-of-the-art LLMs, in the domain of crime analysis and predictive policing. Utilizing diverse methods such as zero-shot prompting, few-shot prompting, and fine-tuning, this paper evaluates the performance of these models on state-of-the-art datasets from two major cities: San Francisco and Los Angeles. The goal is to demonstrate the adaptability of LLMs and their capacity to revolutionize conventional crime analysis practices. The paper also provide a comparative analysis of the aforementioned methods on the GPT series model and BART, in addition to ML techniques, showing that GPT models are more suitable for crime classification in most of our experimental scenarios.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».