Notice bibliographique
Résumé
It’s a strange thing watching someone ‘known’ to us for over a decade get a hefty term of imprisonment. Chris was in his mid-twenties and had just received 14 years for a series of violent crimes committed shortly after his last release. It took the State over four years to resolve his matters — an exceedingly long time on remand by anyone’s estimation. The sentence brought Chris a degree of closure but also new opportunities to sink deeper into the mire of prison life. He’ll be well into his thirties before having any chance of making parole. It’s strange also, when, as researchers, we were able to see the train wreck coming but powerless to avert the impending damage. Perhaps, in the tradition of positivist detachment from the field, one has no quarter to try and influence the trajectories of those we study. Still, there can be no denying the substantive emotional investment tied to prison and post-release research (see Liebling 1999; Bosworth et al. 2005; but also Campbell 2002). The ‘field’ — be it policing, courts, prisons, the street more generally — is populated by countless affective moments. Courtrooms, in particular, are a haven for extreme emotional turbulence (Freiberg 2001). There, even the prosecution team agreed Chris had one of the most troubled and deprived early life-courses they had encountered. Still, he had to pay for what he’d done. He had to pay even though it was broadly acknowledged that his was a life bereft of the building blocks necessary for carving out any semblance of a conventional existence. These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,560 | 0,364 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».