MétaCan
Menu
Back to cohort
Record W2074591665 · doi:10.7202/010707ar

L’argent change tout : les revenus personnels des adolescents et leur penchant à la délinquance1

2005· article· fr· W2074591665 on OpenAlexvenueno aff
Bill McCarthy, John Hagan

Bibliographic record

VenueCriminologie · 2005
Typearticle
Languagefr
FieldSocial Sciences
TopicCrime Patterns and Interventions
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPolitical sciencePhilosophy

Abstract

fetched live from OpenAlex

Le capitalisme de consommation est devenu dominant dans les pays occidentaux. Un train de vie jugé « normal » coûte de plus en plus cher et la plupart des adolescents nord-américains en sont parfaitement conscients. Il n’est donc pas surprenant que beaucoup d’entre eux estiment qu’ils n’ont pas assez d’argent personnel pour participer convenablement aux activités sociales propres à leur classe d’âge. De nombreuses théories stipulent qu’un manque de revenus constitue en soi une bonne raison pour commettre des délits. Mais cette thèse, classique au demeurant, soulève bien des doutes. Certains pensent qu’il n’y a pas de relation de cause à effet entre les besoins d’argent et le penchant à la délinquance. D’autres études notent que ce sont les adolescents qui ont le plus de revenus personnels qui commettent le plus de délits. Ces travaux ont deux défauts. Ils ne tiennent pas compte des effets de l’utilité marginale décroissante d’un supplément de revenus sur les choix de délinquance. Ils négligent aussi d’envisager que la relation causale envisagée puisse être conditionnelle. Dans cet article nous montrons qu’un supplément de revenu personnel incite les adolescents à ajuster à la baisse les vols qu’ils commettent, mais que cet effet décroît proportionnellement à leurs revenus personnels et qu’il n’est opérant que pour les adolescents dont les parents se retrouvent exclus du marché du travail.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Other design · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.917
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.001
Scholarly communication0.0000.001
Open science0.0010.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0050.001

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.

Opus teacher head0.768
GPT teacher head0.496
Teacher spread0.272 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designOther design
Domainnot available
GenreEmpirical

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".

Quick stats

Citations5
Published2005
Admission routes1
Has abstractyes

Explore more

Same venueCriminologieSame topicCrime Patterns and InterventionsFrench-language works237,207