Le traitement correctionnel fondé sur des données probantes : une recension
Notice bibliographique
Résumé
Contrairement à la perspective « Nothing works » de Martinson (1974), l’approche « What works ? » du traitement correctionnel s’est centrée sur la possibilité que le traitement correctionnel soit efficace dans la réduction de la récidive criminelle des délinquants. Les preuves empiriques examinées dans le présent article corroborent le fait que l’application des principes risque-besoins-réceptivité d’Andrews et Bonta (2006) donnent les bases d’un modèle efficace de réhabilitation. Pourtant, malgré les grands progrès réalisés dans le développement et la mise en oeuvre d’un traitement correctionnel fondé sur des données probantes, il subsiste des sphères qui nécessitent un approfondissement. Dans cet article, trois questions souvent négligées relativement à la réhabilitation du délinquant sont aussi examinées, à savoir la nécessité de prendre en considération les enjeux motivationnels chez les délinquants, l’importance des compétences et attitudes du personnel, et la nécessité de documenter et d’évaluer continuellement les pratiques de réhabilitation.
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 | 0,042 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».