Saisir la sécurité privée : quand l’État, l’industrie et la police négocient un nouveau cadre de régulation
Bibliographic record
Abstract
L’accroissement substantiel de l’industrie de la sécurité a profondément changé la manière dont la sécurité est gouvernée aujourd’hui. Une récente proposition législative de la province de Québec sur la sécurité privée – Loi sur la sécurité privée – nous a servi de point de départ pour répondre à deux objectifs, soit tenter de définir l’objet « sécurité privée » et comprendre les liens qu’entretient cette sécurité privée avec l’État et la police. Une analyse de la littérature grise accompagnant cette loi (mémoires déposés à l’Assemblée nationale du Québec et consultations particulières de la Commission des institutions) nous a permis de décrire les divers morcellements de la sécurité privée, ainsi que la difficulté à la circonscrire clairement, les frontières l’entourant étant larges et poreuses. En outre, notre analyse a mis en lumière certaines spécificités de l’État dans la gouvernance de la sécurité – soit sa capacité à légiférer et à légitimer – qui continuent à peser sur l’industrie. Enfin, il est observé que l’industrie de la sécurité privée ne tente pas tant de se substituer à la police que de se construire une place à part, qui lui soit propre et, si est possible, libre de toute contrainte.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.015 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
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".