Bruce Macarthur’s Case And The Common Factor Among Serial Killers
Bibliographic record
Abstract
O presente trabalho apresenta uma análise do caso do serial killer de Toronto Bruce MacArthur, descoberto em janeiro de 2018, procurando detectar um fator comum entre os casos de assassinos em série mais conhecidos mundialmente, isto é, qual serial a maior dificuldade para investigar e responsabilizar os envolvidos de maneira mais célere. Para tanto, utilizo o estudo de diversos casos mais conhecidos de serial killers, nos quais os mesmos fatores estavam presentes quando, já nos primeiros homicídios, o autor apareceu como suspeito, porém foi descartado inicialmente e considerado suspeito improvável. A análise é feita sob a ótica da tese dos estigmas como metarregras. No caso, a ausência de estigmas é observada como um fator comum, isto é, os assassinos seriais não apresentavam estigma, o que se considera um fator decisivo nos casos para a não elucidação precoce. Verifica-se, portanto, que metarregras ligadas aos estigmas efetivamente interferem na responsabilização criminal da pessoa envolvida em crimes graves, de maneira que se a pessoa não tem estigma, tem pouca visibilidade para a investigação e responsabilização criminal, ainda que indícios fortes de que pode ter praticado homicídios estejam presentes. No final, apresento algumas sugestões para que se evite a interferência dos estigmas como metarregras negativas
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| 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".