Facteurs associés à l’aveu d’agresseurs sexuels lors d’entrevues d’enquête
Notice bibliographique
Résumé
À ce jour, peu est encore connu sur les facteurs individuels, délictuels et situationnels permettant de prédire l’aveu d’agresseurs sexuels. Ceci pose particulièrement problème sachant que leur taux d’aveu est plus faible que les auteurs d’autres crimes et que cet aveu constitue souvent la seule preuve de culpabilité à leur égard. Une étude de cas-témoins a été privilégiée afin (1) d’identifier les facteurs associés à l’aveu et (2) d’en établir un modèle multivarié permettant de mieux comprendre la passation à l’aveu d’agresseurs sexuels en contexte d’entrevue d’enquête. Soixante-dix-huit hommes adultes ayant été reconnu coupables d’agression sexuelle ont été recrutés au Centre régional de réception, un établissement correctionnel fédéral situé au Québec (Canada), et divisés en deux groupes (c.-à-d. confesseurs vs non-confesseurs). Les résultats obtenus sont les premiers à mettre en valeur l’apport que peuvent avoir les facteurs situationnels relatifs à l’enquête (p. ex. type de preuve, consultation d’un avocat, cadre physique de l’interrogatoire) dans l’aveu d’agresseurs sexuels spécifiquement. Les résultats appuient également le fait qu'une approche intégrée de l'aveu, c’est-à-dire qui tiendrait à la fois compte des facteurs individuels, délictuels et situationnels, est à favoriser afin de mieux comprendre ce qui pousse les auteurs d'agressions sexuelles à avouer en contexte d'entrevue d'enquête. Les modèles de régression obtenus et leurs facteurs explicatifs seront discutés en lien avec leur incidence sur les pratiques policières en contexte d’entrevue d’enquête.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».