Les médias sociaux comme prédicteurs de la criminalité urbaine
Bibliographic record
Abstract
La présente étude tente de déterminer l’importance d’analyser les crimes à des niveaux spatiaux et temporels de plus en plus précis. De même, une nouvelle source de données issue des médias sociaux, les messages sur Twitter, est utilisée afin de prédire la répartition des crimes à Montréal en estimant la population réelle sur le territoire, et en la caractérisant selon son humeur. Des modèles multiniveaux Poisson sont utilisés afin de prédire les crimes contre la personne et les crimes contre les biens agrégés au segment de rue selon l’heure de la journée. Les résultats montrent qu’il est primordial pour toute analyse de la criminalité à Montréal de tenir compte de la variance de la criminalité en ce qui a trait aux micro-endroits et d’y incorporer des périodes intrajournalières. La caractérisation de la population réelle de la ville a été considérée comme une avenue prometteuse pour la prédiction des crimes. Cette étude propose que l’utilisation des données de Twitter soit une avenue d’analyse concluante, mais qui reste encore à approfondir.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".