Prediction in Criminology pdf epub mobi txt 电子书 下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:

作者:Farrington, David P.

出品人:

页数:278

译者:

出版时间:1985-9

价格:$ 33.84

装帧:

isbn号码:9780887060038

丛书系列:

图书标签:

• criminology
• 犯罪学
• 预测
• 犯罪预防
• 风险评估
• 统计建模
• 机器学习
• 数据分析
• 犯罪预测
• 社会科学
• 刑法学

犯罪学中的预测：跨学科视角下的理论、方法与实践 图书简介 本书旨在提供一个全面而深入的探讨，聚焦于犯罪学领域中“预测”这一核心议题。它并非仅仅关注单一的预测技术或理论，而是构建了一个跨越社会学、统计学、心理学、地理信息系统（GIS）以及新兴数据科学的综合框架。本书的核心目标是揭示如何通过理解和量化风险因素，实现对未来犯罪事件、犯罪群体乃至特定区域犯罪热点的科学性推断，并探讨这些预测成果在实际司法、警务和社区干预中的应用与伦理考量。 第一部分：预测的理论基石与历史演进 本部分奠定了犯罪预测的理论基础，追溯了从早期的“犯罪地理学”到现代“风险评估模型”的发展脉络。 第一章：从“犯罪地图”到“风险空间”：预测思想的早期形态 本章首先考察了19世纪法国统计学家阿尔封斯·凯特莱（Adolphe Quetelet）的“社会物理学”思想，以及亨利·德·卢卡（Henry de Luca）和夏尔·阿夫里（Charles de Frayne）对特定时期和地域犯罪率进行描述性统计的尝试。重点分析了埃德加·霍华德（E. Howard）和查尔斯·布思（Charles Booth）的早期城市调查如何间接指向了环境对犯罪的决定性影响。我们将详细阐述“犯罪热点”（Crime Hot Spots）概念的起源，理解早期地图绘制者如何通过空间集聚性来“预测”高风险区域的形成。 第二章：风险评估的社会学转向：结构性因素与个体倾向 本章深入探讨了不同犯罪学流派对预测变量的界定。社会结构理论（如社会解组理论、紧张理论）如何将贫困、失业率、教育水平和社区资本视为长期、宏观的犯罪风险指标。同时，本章也对比了社会控制理论和理性选择理论在解释个体层面犯罪决策时的差异，以及这些理论如何被转化成可量化的风险因子，用于预测特定个体再犯的可能性。我们将审视“社会指标模型”的构建逻辑及其在社区规划中的应用。 第三章：犯罪预测的心理学维度：人格、行为与干预阈值 本部分将视角聚焦于个体心理层面。详细介绍基于心理测量学的工具，例如应用于假释和量刑决策中的静态（如犯罪史）和动态（如态度、认知缺陷）风险评估工具（如LSI-R、HCR-20等）。我们将分析认知行为疗法（CBT）在改变高风险个体思维模式中的作用，以及这些心理评估结果如何与环境因素结合，形成更精细的风险预测谱系。重点讨论“暴力倾向”和“冲动控制”等难以量化的变量如何被操作化并纳入预测模型。 第二部分：现代预测模型与数据科学驱动 本部分是全书的重点，详细剖析了当代统计学、机器学习和地理信息技术如何重塑犯罪预测的范式。 第四章：时间序列分析与空间自相关：传统统计方法的局限与突破 本章将严谨地介绍时间序列分析（如ARIMA模型）在预测犯罪发生频率和周期性波动中的应用。随后，将重点讨论空间统计学的核心概念，如莫兰指数（Moran’s I）和吉氏系数（Getis-Ord Gi），用以识别显著的空间集聚现象。我们将探讨如何区分“空间溢出效应”（Spatial Spillover）和简单的空间相关性，并说明这些工具如何帮助决策者确定干预的最小地理单元。 第五章：机器学习在犯罪预测中的前沿应用 本章全面介绍当前最先进的机器学习算法在犯罪预测中的实践。包括： 分类与回归模型： 如何使用逻辑回归、支持向量机（SVM）和随机森林（Random Forests）来预测某一区域在未来特定时间内发生某一类型犯罪的概率。 深度学习的引入： 探讨循环神经网络（RNNs）和长短期记忆网络（LSTMs）在处理高维、非线性时间序列数据（如社交媒体数据、异常报告）时的优势，以及它们在“微预测”（Nowcasting）中的潜力。 解释性人工智能（XAI）： 强调模型透明度的重要性，介绍SHAP值和LIME等技术，以解释复杂的黑箱模型为何做出某一特定预测，这对于执法机构的采纳至关重要。 第六章：大数据、传感技术与预测性警务的融合 本章关注数据源的扩展。详细描述如何整合非传统数据源，例如交通流量数据、天气模式、经济活动指标以及传感器网络数据（如枪声探测系统）来增强预测模型的精度。本部分将深入分析“预测性警务”（Predictive Policing）的实践案例，包括对资源部署的优化（“哪里警力需要部署”）和对潜在犯罪事件的预警（“何时何地可能发生”）。 第三部分：预测的应用、挑战与伦理困境 本部分探讨了将预测模型转化为实际行动时面临的社会、法律和道德障碍。 第七章：预测的实证检验与效能评估 一个有效的预测模型必须经过严格的实证检验。本章阐述了评估预测系统性能的关键指标，包括准确率（Accuracy）、召回率（Recall/Sensitivity）、特异度（Specificity）以及接收者操作特征曲线（ROC Curve）下的面积（AUC）。我们将分析常见的评估陷阱，例如“自我实现的预言”效应（Self-Fulfilling Prophecy）如何扭曲评估结果，并讨论如何设计对照实验来验证干预措施的真正效力，而非仅仅是预测的准确性。 第八章：预测性警务的伦理边界与社会公正 这是本书最具批判性的章节之一。本章深入剖析了预测模型中潜在的偏见来源——数据偏差、算法歧视与反馈循环。讨论了当模型过度聚焦于特定社区时，可能导致过度警务（Over-policing）和对少数族裔的系统性不成比例影响。重点探讨了如何通过“公平性指标”和“去偏见技术”（Debiasing Techniques）来减轻算法的固有偏见，并倡导建立严格的问责制和监督机制。 第九章：超越执法：预防性干预与政策设计 本章将预测的视野从“抓捕”扩展到“预防”。探讨如何利用风险预测信息来指导社会资源的早期介入，例如针对高风险青少年的定向教育支持、心理健康服务接入或住房稳定项目。分析了从“预测性警务”到“预测性公共卫生”的范式转移，强调预防性干预在减少终身犯罪风险方面的长期成本效益。 结论：迈向负责任的犯罪预测未来 本书最后总结了当前犯罪预测技术的成熟度、未解决的挑战，并展望了未来研究方向，特别是对因果推断（Causal Inference）在预测模型中应用的重视，以及建立国际化、跨领域合作的必要性，以确保预测工具能够服务于更公平、更安全的社会目标。

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

我最近在寻找一本能够拓宽我对犯罪学认知边界的书，而《Prediction in Criminology》这个名字听起来正是我需要的。我一直在思考，除了传统的犯罪学理论，有没有更具前瞻性的研究方法能够帮助我们应对不断变化的犯罪形势。这本书的书名给我一种“未来导向”的感觉，仿佛它将带领我探索那些尚未被充分开发的领域。我非常好奇，这本书是否会介绍一些新兴的预测技术，比如人工智能在犯罪预测中的应用，或者利用大数据分析来识别潜在的犯罪热点地区。我相信，随着科技的发展，我们能够获得更多的数据，而如何有效地分析和利用这些数据，将是未来犯罪学研究的关键。我也希望这本书能提供一些关于如何平衡“预测”与“预防”的思考。单纯的预测固然重要，但更重要的是如何在预测的基础上采取有效的干预措施，从而真正减少犯罪的发生。我对书中是否会探讨一些跨学科的合作，比如犯罪学与心理学、社会学、计算机科学等领域的结合感到非常期待。

评分☆☆☆☆☆

我一直对那些能够解释和预测复杂社会现象的书籍情有独钟，而《Prediction in Criminology》这个书名正中我的下怀。我好奇这本书将如何处理“预测”这个概念，是在科学意义上的精确预测，还是在统计学意义上的可能性推断。我一直认为，理解犯罪行为的深层原因，是制定有效犯罪预防策略的基础，而“预测”似乎是连接这两者的重要桥梁。我希望这本书能够为我打开一扇窗，让我能够更深入地了解犯罪学研究的前沿进展。我期待它能够提供一些具体的案例分析，展示这些预测模型是如何被构建和验证的，以及它们在实际应用中可能遇到的挑战。我很好奇，这本书会如何看待个体自由意志与社会因素在犯罪中的作用，它是否会提供一种平衡的解释，避免将个体完全归咎于环境或仅仅视为不可预测的随机事件。总而言之，我期待这本书能够给我带来耳目一新的视角，并激发我对于犯罪学领域更深入的探索。

评分☆☆☆☆☆

这本书的书名，Prediction in Criminology，光听名字就让人充满了好奇，尤其是我这种对社会现象和人类行为模式颇感兴趣的读者。我一直在思考，到底是什么驱使一个人走向犯罪的道路，而又是什么能够帮助我们预知和预防这一切？这本书的封面设计就有一种沉稳而略带神秘的感觉，深邃的蓝色背景搭配上清晰的白色字体，仿佛暗示着这本书将带领读者深入探索犯罪学领域中那些尚未被完全揭示的奥秘。我期待它能提供一套严谨的理论框架，让我们能够从更宏观的角度去理解犯罪的根源，而不仅仅停留在个案分析上。同时，我也希望书中能够有一些具体的案例研究，通过对真实发生的犯罪事件的剖析，来印证其理论的有效性。毕竟，再精妙的理论，如果不能与现实相结合，也会显得空泛。我非常好奇，这本书将如何平衡理论的深度与实践的可操作性，它是否会介绍一些现有的预测模型，并对其优缺点进行深入的探讨？这本书是否会触及一些伦理层面的考量，例如，在进行犯罪预测时，如何避免偏见和歧视？这些都是我在翻开这本书之前，脑海中浮现出的种种疑问，也正是这些疑问，让我对接下来的阅读充满了期待。

评分☆☆☆☆☆

作为一名对社会学和心理学交叉领域有浓厚兴趣的读者，我看到《Prediction in Criminology》这个书名时，立刻被它所吸引。我的直觉告诉我，这本书可能不仅仅是枯燥的理论堆砌，而更可能是一种深入的社会洞察。我一直在思考，社会结构、个体经历以及心理因素是如何共同作用，最终导致某些个体走向犯罪的。而“Prediction”这个词，则暗示着这本书将试图从这些复杂的相互作用中，提炼出一些可供参考的规律或模式。我期待它能够提供一种新的视角，让我们能够更全面地理解犯罪行为的成因，而不仅仅是关注犯罪的表面现象。我希望书中能够深入探讨那些隐藏在犯罪行为背后的深层社会和心理机制，并且能够用严谨的学术态度去分析这些机制。我很好奇，这本书会如何解释“预测”这个概念在犯罪学中的意义，它是否会提供一些具体的工具或方法，帮助我们识别高风险人群或高风险环境？我期待它能够挑战我现有的认知，并引发我对于犯罪预防和更公正社会的深入思考。

评分☆☆☆☆☆

坦白讲，看到《Prediction in Criminology》这个书名时，我的第一反应是这本书可能会探讨一些非常复杂的统计模型和数据分析方法。我虽然不是统计学专业出身，但对于运用科学方法来解释和预测社会现象一直抱有浓厚的兴趣。我曾经读过一些关于犯罪学入门的书籍，它们通常侧重于犯罪的社会成因、犯罪者的心理特征以及刑事司法的运作。然而，我总觉得缺少了一个关键的环节，那就是如何将这些零散的信息整合成一套可行的预测体系。这本书的名字恰好触及了我的痛点。我希望它能像一位经验丰富的向导，带领我穿越繁杂的数据海洋，找到那些能够揭示犯罪倾向的“信号”。我期待书中能够有清晰的讲解，哪怕是数学公式，也能配以通俗易懂的解释，让我这个门外汉也能理解其背后的逻辑。同时，我也对书中会涉及哪些预测维度感到好奇。是仅仅关注人口统计学特征，还是会深入到社会经济因素、心理评估，甚至是个体行为模式的细微之处？如果书中能够提供一些案例，展示这些预测模型如何在实际中被应用，并分析其预测的准确性和局限性，那将是极大的收获。

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆