Prescription médicale de stupéfiants et délinquance
Notice bibliographique
Résumé
Suite à l'aggravation du problème de la toxicomanie pendant les années 1980, la Suisse a commencé à appliquer une politique de la drogue diversifiée dont l'un des piliers s'inspire de l'approche de la réduction des risques. L'un des buts de cette politique est notamment la diminution des dommages collatéraux à la toxicomanie, telles certaines maladies infectieuses ou la délinquance liée à l'acquisition de drogues.Dans ce contexte, un programme de prescription médical d'opiacés a été mis sur pied. Ce programme s'adresse à des héroïnomanes fortement dépendants et pour lesquels d'autres formes de traitement n'ont pas eu de succès. S'agissant d'un type de traitement novateur, il fit l'objet d'une stricte évaluation scientifique. Le présent article résume les résultats de cette évaluation pour le domaine de la délinquance. Les analyses se basent autant sur des interviews de délinquance et de victimisation autoreportées, menées à intervalles de 6 mois avec les personnes traitées, que sur les données des registres de police et du casier judiciaire central de ces mêmes personnes. Les résultats indiquent pour tous les types de données une diminution massive des taux de prévalence et d'incidence de la criminalité liée à l'acquisition de drogues. Les taux de victimisation présentent une diminution similaire. Il est démontré que ces deux phénomènes sont étroitement liés.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».