MétaCan
Menu
Retour à la cohorte
Enregistrement W4410192313 · doi:10.26034/la.cfs.2024.4705

Les innovations technologiques en contexte d’enquête policière

2024· article· fr· W4410192313 sur OpenAlexaffabout
Maxime Bérubé

Notice bibliographique

RevueCriminologie Forensique et Sécurité · 2024
Typearticle
Languefr
DomaineComputer Science
ThématiqueCybercrime and Law Enforcement Studies
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesnon disponible
Mots-clésPolitical science

Résumé

récupéré en direct d'OpenAlex

Les sociétés contemporaines se caractérisent par de constantes transformations et évolutions technologiques et les forces de sécurité publique n’échappent pas à ces changements. Les enquêteurs policiers, notamment, doivent porter de plus en plus d’attention aux technologies numériques dans le cadre de leur fonction afin de répondre le plus efficacement aux besoins en matière de criminalité technologique. Pour cette raison, de nouvelles formations sont mises en place au Québec et d’autres sont revues afin de mieux outiller les enquêteurs policiers à l’égard des nouvelles technologies. Dans cet article, des réflexions sont exposées afin de mieux comprendre le contexte de formation des enquêteurs policiers québécois. Tout d’abord, différents enjeux des technologies en enquête sont examinés en portant un regard critique sur le contexte québécois et en s’appuyant sur des concepts développés dans le champ des études sur la prise de décision. Ensuite, un portrait des différents types de formations actuellement disponibles et pertinents pour les enquêteurs policiers du Québec est dressé. Enfin, une série d’enjeux relatifs à la formation et au contexte opérationnel est expliquée de manière à permettre, en conclusion, une réflexion visant à améliorer l’offre de formation des policiers et à moderniser les pratiques d’administration de la justice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,281
Score d'incertitude au seuil0,559

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,017
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,005
Études des sciences et des technologies0,0100,015
Communication savante0,0170,008
Science ouverte0,0020,005
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0130,002

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.

Tête enseignante Opus0,127
Tête enseignante GPT0,369
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCriminologie Forensique et SécuritéMême sujetCybercrime and Law Enforcement StudiesTravaux en français237 207