Analyse et explication de la variation du taux dâhomicide en Europe
Bibliographic record
Abstract
Le taux dâhomicide est un bon indicateur de la violence générale dans un pays. De plus, il sâagit du crime le mieux mesuré car il est rare quâun homicide passe inaperçu. De nombreux auteurs ont donc cherché à expliquer ce qui pouvait influencer la variation du taux dâhomicide dans les pays du monde. Leurs résultats ont mis à jour certains prédicteurs qui influenceraient le taux dâhomicide dans les pays du monde. Il sâagit notamment du niveau de vie mesuré à lâaide du PIB par habitant, de lâinégalité, mesuré à lâaide du coefficient GINI ou encore des facteurs démographiques. Ces facteurs criminogènes sont tous de niveau macroscopique sur lesquels il est difficile dâagir. Ce mémoire intégrera au modèle, en plus des prédicteurs déjà connus, des variables plus proximales (consommation dâalcool, de drogue, présence de criminalité organisée, corruption, taux de criminalité, etc.) afin de voir sâils pourraient également influencer la variation du taux dâhomicide. \n\nCette étude se concentrera sur le taux dâhomicide de 41 pays européens. Une sélection de nos variables sera effectuée à lâaide dâanalyses bivariées (corrélation, corrélation partielle) avant dâintégrer les variables restantes dans plusieurs modèles de régression multiple qui permettra in fine dâisoler les variables ayant une réelle influence sur le taux dâhomicide. \n\nLes résultats indiquent que les facteurs proximaux ont une réelle influence sur le taux dâhomicide. En effet, non seulement deux variables proximales (lâabus de la consommation dâalcool, et le pourcentage de personne sâétant déclaré victime de cambriolage) sont, après avoir pris en considération de nombreuses variables de niveau macroscopique, significativement liées au taux dâhomicide mais en plus, le fait dâintégrer ce type de variables dans un modèle de régression multiple fait augmenter la variance expliquée. Ces variables de type proximales ont donc une grande importance dans lâexplication de la variation du taux dâhomicide.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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 teacher head, 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".