Nutzung von Live-Positionsdaten im Rahmen von längerfristigen Observationen und bei der Fahndung nach Diebesgut im Vergleich
Bibliographic record
Abstract
Nutzung von Live-Positionsdaten im Rahmen von längerfristigen Observationen und bei der Fahndung nach Diebesgut im VergleichWie bereits dargelegt, nutzt die Polizei bereits Positionsdaten im Ermittlungsverfahren, insbesondere bei der Observation.3 Mithin verfügt die Polizei über Erfahrungswissen hinsichtlich des Einsatzes von Ortungstechnologie.Daher stellen sich die Fragen, welche Rückschlüsse aus diesen Erkenntnissen hinsichtlich der Live-Ortung von Diebesgut gezogen werden können und inwieweit das Erfahrungswissen aus der Observation auf das Auffinden von Diebesgut übertragen werden kann?Zur Beantwortung dieser Fragen sind die beiden Maßnahmen aus einer kriminalistischen und polizeitaktischen Perspektive heraus miteinander zu vergleichen.Auf den Gemeinsamkeiten sowie den Unterschieden aufbauend werden Anforderungen an die Ortungstechnik zur Diebstahlsaufklärung formuliert.Dabei werden auch der Einbau und die Einsatzbereitschaft der Ortungstechnologie, Qualitätsmerkmale der GPS-Module sowie die Akkulaufzeiten betrachtet.Untersucht wird primär die Positionsermittlung mittels GPS-Technologie, da die Live-Ortung in der Polizeipraxis überwiegend über GPS erfolgt, 4 sodass diesbezüglich die meisten Erkenntnisse bestehen. Einbau des GPS-Senders und polizeiliche Ressourcen Parallelen zwischen der längerfristigen Observation und der DiebesgutfahndungDie Live-Ortung setzt voraus, dass ein GPS-Trackingmodul an oder in dem zu ortenden Gegenstand verbaut wurde, und zwar so, dass der Gegenstand von den Nutzer*innen nur schwer entdeckt werden kann.Andernfalls besteht 1. 1.11 Jessica Kraus hat ihre Bachelorarbeit begleitend zum Projekt FindMyBike geschrieben.2 Dr. Jan Fährmann war in dem Projekt FindMyBike Wissenschaftlicher Mitarbeiter für die rechtlichen und kriminologischen Forschungsfragen. 3
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 | 0.009 | 0.035 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.002 |
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".