Effectieve methodes van politiële straatroofbestrijding: een vergelijkend literatuuronderzoek
Bibliographic record
Abstract
Uit onderzoek blijkt dat onderzoek naar straatroof in regio’s schaars is. Binnen Nederland is er weinig aandacht besteed aan vernieuwende aanpakken. In dit onderzoek is gekeken naar aanpakken van straatroof in het buitenland. De nadruk ligt hier vooral op Engeland en Canada, omdat zij meerdere vernieuwende projecten en aanpakken hebben lopen. . In Nederland wordt er meer op nationaal niveau gekeken naar het aanpakken van straatroof en ligt de focus meer op een standaard recherche onderzoek. In het buitenland wordt dit vooral op lokaal niveau gedaan en op een meer systematisch en gedetailleerde werkwijze. De belangrijkste vier aanpakken die in dit onderzoek worden behandeld zijn aanpakken gericht op het identificeren van hot spots, extra surveillance, verbeterde straatverlichting en publiciteit. Zo is er al veel onderzoek gedaan naar hot spots, maar nog minder naar de effectiviteit van campagnes. Uit onderzoek blijkt dat er belangrijke criminologische theorieen als de hot spot analyse en routine activity theorie worden toegepast en ten grondslag liggen aan deze aanpakken. Verder zijn er in het buitenland systematische projecten en aanpakken die effectief zijn geweest. Het doel van dit onderzoek is om te onderzoeken of er buiten Nederland effectieve aanpakken of technieken zijn om straatroof aan te pakken. De volgende hoofdvraag staat in dit onderzoek centraal: ‘’ In hoeverre zijn verschillende in het buitenland gehanteerde succesvol gebleken aanpakken van straatroof geschikt voor toepassing door de politie-eenheid Oost-Nederland?” Deze vraag wordt beantwoord door een grondige literatuur studie naar aanpakken buiten Nederland. Aan de hand van document analyses en effectieve straatroof technieken blijkt dat vooral Engeland en Canada investeren in vernieuwde en succesvolle aanpakken. Door het analyseren van bestaande onderzoeken en politiedocumenten wordt er antwoord gegeven op de vraag. Uit dit onderzoek blijkt dat het identificeren van hot spots een effectieve aanpak is waar overtuigend onderzoek naar is gedaan. Het inzetten van surveillance in hot spots en in het centrum zou geschikt kunnen zijn als aanpak in Oost-Nederland. Uit onderzoek blijkt dat er weinig overtuigend onderzoek is gedaan naar de effectiviteit van publiciteit met betrekking tot straatcriminaliteit. Verlichting zou op specifieke plaatsen kunnen worden gebruikt om daders beter te identificeren.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".