Les prêteurs sur gage dans le marché des biens volés à Montréal et leur impact sur la criminalité contre les biens
Notice bibliographique
Résumé
L’objectif de cette recherche est de situer l’importance des prêteurs sur gage dans le marché du recel à Montréal et d’analyser leur impact sur les taux de criminalité contre les biens. Cette étude s’inscrit dans le cadre théorique d’études récentes sur l’impact des receleurs sur l’offre de biens volés. Les données proviennent de différentes sources : recensements des prêteurs sur gage ; statistiques policières officielles ; rapports d’événement et dossiers d’enquête ; entrevues avec des voleurs. Dans un premier temps, nous avons procédé à l’analyse d’une hypothèse soulevée par la revue de la littérature, soutenant que les établissements de prêt sur gage sont associés géographiquement aux cambriolages résidentiels et, par le fait même, qu’ils favorisent la criminalité contre les biens à l’intérieur même des quartiers dans lesquels ils sont situés. Au départ, l’hypothèse que les receleurs ou la demande organisée de biens volés influencent l’offre semblait avoir un certain mérite. Dans les faits, la simple covariation dans l’espace urbain entre les prêteurs sur gage et les crimes contre la propriété ne permet pas de nous assurer de la validité de cette hypothèse. Par conséquent, dans un deuxième temps, des opérations de recherche supplémentaires ont été effectuées afin d’évaluer l’impact des prêteurs sur gage sur les crimes d’acquisition dans l’espace et dans le temps. Bien que les prêteurs sur gage soient une option utilisée par les voleurs pour écouler les biens volés, les résultats ne nous permettent pas de conclure qu’ils stimulent de manière significative le volume des délits d’acquisition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».