MétaCan
Menu
Retour à la cohorte
Enregistrement W7134313854

Geographic approach to crime in the Dakar urban area : Observation from the Pikine department.

2021· article· fr· W7134313854 sur OpenAlexaboutno aff
Madior Ly

Notice bibliographique

Revuetheses.fr (ABES) · 2021
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueAfrican Studies and Ethnography
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésESPACEUrban sociologyContext (archaeology)Residential area
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

La criminalité, comme élément d'étude en sciences humaines et sociales, est le domaine de prédilection des sociologues, historiens et juristes. Malgré le renouveau des outils d'analyse spatiale et de l'implication de l'environnement immédiat dans les faits socio-spatiaux, peu de géographes s’y sont intéressés. Leur absence n’a pas empêché une forte utilisation de leurs techniques et méthodologies de travail, notamment la cartographie. Claire Cunty (2007) considère, même, cet outil comme le début de l’entrée de la géographie dans la criminologie. Plusieurs études, réalisées sur la criminalité, par d’autres chercheurs des sciences sociales, en Amérique du Nord et un peu en Europe, renforcent cette assertion de Cunty.Cependant, de plus en plus, dans le monde occidental, des géographes commencent à s’intéresser à la montée de l’insécurité en milieu urbain. Des thèses en géographie et des travaux collectifs de chercheurs, auxquels participent des géographes, viennent contribuer chaque année au développement de la recherche dans la criminologie. Dans des pays, comme les Etats Unis, le Canada, l’Angleterre, la France…, les géographes travaillent en étroite collaboration avec les services de police judiciaire et les collectivités locales sur les questions de la criminalité et de la gestion de la sécurité publique. Au Sénégal, comme partout en Afrique, les géographes ont totalement délaissé ce terrain d’étude intéressant aux juristes, historiens et sociologues. Même si quelques études ont été faites sur l’analyse spatiale de la criminalité, elles relèvent souvent des travaux de chercheurs abordant la dimension parcellaire de la question, à des fins d’activités de consultance ou brèves présentations pour les besoins de séminaires ou colloques sur l’insécurité. Quasiment aucune étude approfondie relevant d’un géographe n’a été observée dans un pays caractérisé par une forte urbanisation et une importante population jeune. Selon un rapport de l’Agence Nationale des Statistiques et de la Démographie (ANSD, réalisé en 2017-2018, le taux d’urbanisation du Sénégal s’élève à 45 %, et la moitié de la population a moins 18 ans.Ainsi, notre recherche, qui s’ancre dans l’agglomération urbaine dakaroise avec comme cas d’étude la ville de Pikine, vise à montrer l’importance de développer une approche géographique de la criminalité en milieu urbain, surtout dans le contexte africain.Comme l’avait fait Denis Szabo (1960) , l’un des premiers géographes contemporains à avoir croisé l’étude du crime et de l’espace , notre travail s’applique à transcrire les données quantitatives et qualitatives sur la criminalité, toutes recueillies auprès des services spécialisés et des populations, en informations spatiales. Dans cette perspective, on cherche à corréler les données recueillies avec divers autres déterminants géographiques, afin de tisser des liens entre ces deux niveaux de lecture.Choisie comme zone d’étude, la ville de Pikine est l’un des quatre départements de la capitale du Sénégal : Dakar, le département le plus peuplé du Sénégal. L’histoire urbaine en a fait la première banlieue sénégalaise. Sa morphologie laisse apparaitre toutes les formes spatiales / d’urbanisme caractéristiques de la ville africaine. Des quartiers lotis habités par la classe moyenne aux quartiers non lotis des pauvres s’ajoutent des zones non aedificandi, refuges des migrants issus de l’exode rural, de la migration sous-régionale et de celle – interurbaine – en quête d’un avenir meilleur à Dakar. Toutes ces particularités font de la ville une zone heuristique pour les chercheurs.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,190
Score d'incertitude au seuil0,378

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,287
Écart entre enseignants0,204 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuetheses.fr (ABES)Même sujetAfrican Studies and EthnographyTravaux en français237 207