L’impact des expériences d’impunité sur les risques de récidive pénale
Notice bibliographique
Résumé
Considérant que la probabilité d’être puni varie d’un individu à l’autre, la théorie de la dissuasion doit être adaptée pour tenir compte à la fois des expériences délinquantes punies et impunies. L’omission de ce paramètre du modèle de décision peut amener des biais importants et une surestimation de l’échec au sein d’une carrière délinquante. Les études de prédiction de la récidive se basant uniquement sur les données pénales sont vulnérables à ce biais. Dans le cadre de cette étude, les données de délinquance autorévélée d’un échantillon de 199 détenus, mises en parallèle avec des données pénales, ont permis d’estimer la capacité individuelle d’évitement pénal. Lorsqu’on prend en considération cette disposition, les antécédents pénaux deviennent un indicateur des échecs auxquels les délinquants font face durant leur trajectoire délinquante plutôt que de la poursuite même de cette trajectoire, créant l’illusion de l’efficacité de sa prédiction par les antécédents pénaux. L’intensité des coûts pénaux antérieurs ainsi que les opportunités d’emploi conventionnel sont deux facteurs qui réduisent la probabilité de la poursuite de la carrière criminelle. Les bénéfices soutirés des activités criminelles augmentent cette probabilité.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| 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) | 0,003 | 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 ».