Notice bibliographique
Résumé
Cet article offre un aperçu des travaux scientifiques portant sur les programmes efficaces de prévention du crime et sur leur mise en oeuvre. Les évaluations scientifiques de projets de prévention du crime qui abordent des facteurs de risque montrent fréquemment qu’ils peuvent réduire la criminalité et que, souvent, ils sont plus efficaces à le faire que les réponses habituelles de la justice pénale. Les organisations intergouvernementales s’entendent sur les étapes-clés qui sont nécessaires pour en arriver à mobiliser les organismes concernés dans la lutte contre ces facteurs de risque. Malgré les recommandations de comités parlementaires et d’un nombre croissant d’experts, la prévention du crime n’est pas encore arrivée à jouer le rôle prépondérant qui pourrait être le sien afin de réduire plus efficacement les taux de criminalité au Canada. Toutefois, la politique récente annoncée par la province de l’Alberta suggère quelques avenues par lesquelles cette résistance pourrait éventuellement être surmontée.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».