À qui profite le crime ? Les facteurs individuels de la réussite criminelle1
Bibliographic record
Abstract
Dans cet article, nous analysons à nouveau les données du deuxième sondage de laRand Corporationmené en 1978 auprès de détenus incarcérés dans des prisons et pénitenciers américains. L’objectif est d’identifier certains facteurs individuels qui influencent à la hausse ou à la baisse les gains criminels parmi un échantillon de détenus (n = 1 260) qui s’adonnent à la criminalité lucrative. Il sera notamment démontré que les détenus qui ont déclaré des gains criminels plus élevés au cours d’une période de référence précédant l’incarcération sont plus enclins à récidiver (d’après les résultats de l’étude de suivi de laRandsix ans plus tard). Par ailleurs, la criminalité stratégique (plutôt que le type de crime), la spécialisation, l’estime de soi et le fait de ne pas rapporter une consommation abusive d’alcool sont autant de facteurs qui favorisent la réussite de la carrière criminelle. Enfin, les contrevenants qui ont fait usage de violence au moins une fois au cours de la période de référence rapportent des gains criminels généralement plus élevés que les autres. Les revenus ont donc tendance à croître en fonction de la fréquence des agressions.
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 | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".