Évaluation des impacts d’une « gestion de crise » : une étude de cas
Notice bibliographique
Résumé
Le présent article propose une analyse des fluctuations quotidiennes de la criminalité lors de la perturbation majeure provoquée par une panne d’électricité, à l’occasion de la tempête du verglas survenue en janvier 1998 au Québec. Nous nous intéressons plus particulièrement aux principales causes pouvant exercer un impact sur les variations quotidiennes de la criminalité. La dissuasion engendrée par une mobilisation massive des forces de l’ordre et l’altruisme institutionnel attribuable à l’intervention des pouvoirs publics dans le soutien des sinistrés impliquent un impact à la baisse sur les taux de la criminalité (Marvell et Moody, 1996 ; Levitt, 1997 ; Messner et Rosenfeld, 1997 ; Savolainen, 2000). Les analyses indiquent la présence d’un effet direct de l’augmentation des contrôles publics sur le nombre d’infractions signalées dans les zones sinistrées. D’autre part, les interventions publiques en Montérégie 1 (dissuasion et altruisme institutionnel) génèrent des effets significatifs à la baisse sur : 1) les crimes contre la propriété lorsque les effectifs policiers augmentent ; 2) les crimes contre la propriété lorsqu’il y a distribution de chèques d’aide financière aux sinistrés ; 3) les autres crimes lorsque le nombre de personnes hébergées dans les centres publics augmente. Pour la région de Montréal, nous observons que le déploiement des effectifs policiers a provoqué une baisse significative des crimes contre les biens et des crimes contre la personne. De plus, le déploiement des militaires a également provoqué une baisse des crimes contre les biens.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».