Bibliographic record
Abstract
Dans un article devenu un classique de la criminologie, Edwin Sutherland soulignait dès 1940 les bénéfices réciproques que pourraient tirer les économistes et les criminologues d’une meilleure intégration de leurs connaissances. Bien que son invitation à l’interdisciplinarité porte avant tout sur le crime en col blanc, d’autres formes de délinquance se prêtent également particulièrement bien à une telle démarche, au premier rang desquelles figure le « vol d’identité ». Après avoir examiné dans la première partie de cet article les ambiguïtés et les paradoxes qui pèsent sur les analyses contemporaines du « vol d’identité », je propose dans la seconde partie un cadre d’analyse alternatif qui repose sur le concept de coévolution et liant le « vol d’identité » tel que nous le connaissons aujourd’hui au développement de nouveaux moyens de paiement à partir de la fin des années 1950. À l’aide de données historiques et économiques, je montre comment cette transformation fondamentale des habitudes de consommation a contribué à l’émergence de nouvelles opportunités criminelles, au développement de mécanismes de sécurité et de procédures privées de règlement des conflits, ainsi qu’au déclin d’autres formes de délinquance.
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 | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.018 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".