An analysis of migratory patterns and social network chains, ties, and bonds in human trafficking: Australia, Britain, Canada, and the United States, 2006-2011
Notice bibliographique
Résumé
La recherche concernant le trafic de personnes révèle aujourd’hui certaines limites. Tout d’abord, il existe peu de recherches empiriques qui focalisent spécifiquement sur l’analyse des occurrences d’incidents concernant les trafics de personnes. De plus, rares sont les études concernant ce trafic qui se démarquent de la traditionnelle dichotomie homme/femme du contrevenant et de la victime. Les investigations de données désagrégées des personnes et des circonstances demeurent rares. Par conséquent le qui fait quoi à qui et à quelle fréquence n’est pas très clair. Ceci est problématique parce que les tendances actuelles des recherches sur le trafic affectent le sens de la législation supposée combattre le trafic, et une recherche inadéquate peut mener à une législation inadéquate. Il est essentiel de comprendre les acteurs du trafic de personnes pas seulement dans leur genre, mais également par leurs actions, leurs parcours, et les réseaux qui causent leur présence dans cette économie clandestine. Mon objectif n’est pas de faire des vagues irrévérencieusement, mais de démontrer que les zones grises sont bien trop larges pour continuer les appels à lutter contre ce trafic sans comprendre la logistique et les motivations qui existent derrière ces agissements. Cet exposé se base sur 6 années (2006-2011) de dossiers juridiques de l’Australie, la Grande Bretagne, le Canada et les Etats Unis pour tenter de comprendre comment fonctionne le trafic de personnes sur le plan transnational et régional. En se focalisant sur l’influence des réseaux et des contraintes et liens sociaux, cet exposé traite les nuances du trafic de personnes dans la mesure où les relations entre victimes et contrevenants sont formées et utilisées dans le but même de déclencher l’acte du trafic. Les analyses sont de deux ordres: premièrement, des statistiques descriptives sont réunies dans le but de créer une analyse focalisée sur les particularités des cas observés dans le périmètre de cette étude; et, deuxièmement, l’analyse des réseaux sociaux (ARS) est utilisée pour mieux comprendre les dynamiques du pouvoir au sein des réseaux de trafic de personnes. La structure des réseaux de trafic de personnes est examinée sur la base du genre du contrevenant, et les poursuites sont traitées dans la comparaison de l’influence au sein du réseau et la durée de la peine imposée. Le but de ces deux flux d’analyses est de traiter comment le cas échéant, le genre d’un trafiquant affecte son pouvoir et son influence au sein des réseaux de trafic, mais également d’investiguer sur les systèmes d’application de la loi et la justice pénale et comment ils traitent le problème du trafic des personnes. Les conclusions indiquent qu’en matière de pouvoir et d’influence au sein d’un réseau de trafic, le genre importe peu: Il y a peu ou pas de différence entre le degré de centralités des hommes et femmes au sein des réseaux. De plus, les résultats indiquent que les trafiquants et les victimes de trafic sont le plus souvent de même origine: cela veut dire qu’être un migrant a son importance dans la mesure où la personne est susceptible de pouvoir aussi bien être un trafiquant qu’une victime de trafic. Un individu est plus susceptible d’être victime de trafic par quelqu’un de sa propre communauté, qu’il s’agisse de trafic transnational ou régional. Cet exposé souligne l’importance de la question non encore traitée de l’impact des réseaux sociaux et de la migration sur la commission de l’infraction du trafic.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».