Quelques éléments de compréhension des libérations d'office réussies
Bibliographic record
Abstract
Le point de départ de la recherche dont il est question dans le cadre du présent article part du constat que les personnes qui n'obtiennent pas de libération conditionnelle et ne sortent qu'au moment de leur libération d'office, sont considérées par la Commission nationale des libérations conditionnelles comme présentant des risques indus ne permettant pas qu'elles puissent être libérées plus tôt. Or plusieurs d'entre elles » réussissent « leur libération d'office. De plus, plusieurs individus ne figureront pas au système carcéral fédéral dix ans après leur remise en liberté d'office. Comment pouvons nous identifier ces personnes et faire en sorte qu'elles ne soient plus considérées comme des risques indus et qu'elles puissent bénéficier du privilège de se voir accorder une libération conditionnelle avant l'expiration de leur sentence? Deux sources de données sont mises à contribution pour répondre à cette question: d'un côté le Système de gestion des détenus du Service correctionnel du Canada, de l'autre des entrevues menées auprès de contrevenants ayant réussi leur liberté d'office.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.015 |
| Scholarly communication | 0.011 | 0.012 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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".