Déstabilisation d'un réseau criminel pratiquant le trafic de stupéfiants
Bibliographic record
Abstract
Le présent mémoire s’intéresse à la déstabilisation d’un réseau de distribution de stupéfiants. Il est basé sur l’étude d’une enquête policière réalisée dans une grande ville canadienne. L’objectif principal de cette enquête était le démantèlement d’un réseau criminel perçu comme étant hiérarchisé. Différentes stratégies ont été mises en œuvre par les enquêteurs afin de déstabiliser le réseau. Cinq de ces stratégies sont étudiées dans cette recherche. Des analyses de réseaux et l’évaluation de l’évolution des opérations de distribution de stupéfiants démontrent que, parmi les stratégies déstabilisatrices, le retrait sélectif (arrestation) et l’ajout (infiltration) de participants dans le réseau sont les plus efficaces. Les résultats détaillés montrent l’importance de préparer des enquêtes systématiques et réfléchies en vue de déstabiliser un réseau. Bien que les rafles massives de participants soient intéressantes, il est essentiel d’en soulever les limites. Le fait de se concentrer sur des enquêtes planifiées permettra non seulement de répondre aux objectifs de l’enquête en cours, mais également de comprendre et développer des pratiques de déstabilisation à long terme au niveau du marché criminel en général (méta-réseau).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".