Le déploiement des caméras de surveillance dans les rues et autres espaces publics au Canada : Au-delà des stratégies d'opposition et d'encadrement
Bibliographic record
Abstract
Le présent article porte sur le déploiement des caméras de surveillance dans les rues et autres espaces publics au Canada. À partir d'une recherche documentaire étendue, l'auteur s'attache d'abord à faire le lien entre le timide déploiement des caméras de surveillance dans les rues au Canada et les stratégies d'opposition et d'encadrement efficaces adoptées jusqu'à présent par divers acteurs sociaux. Il montre ensuite que les rapports de force entre partisans et adversaires des caméras de surveillance n'expliquent pas tout, et que le déploiement de la vidéosurveillance dans les divers lieux accessibles au public va bon train, le plus souvent sans rencontrer d'opposition. Plusieurs phénomènes sociaux, économiques et technologiques, en particulier la revitalisation des quartiers centraux, la médiatisation des crimes violents, les innovations en matière de vidéosurveillance et l'utilisation des caméras de surveillance dans les enquêtes policières, participent à ce déploiement. En conclusion, l'auteur insiste sur la nécessité de revoir la gouvernance des systèmes de surveillance dans les lieux publics en général afin d'éviter de possibles dérives.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.005 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".