Bibliographic record
Abstract
Cet article développe l’argumentaire suivant : dans un grand nombre de contextes d’évaluation, les conditions ne permettent pas qu’on procède à des évaluations des modalités et des effets de l’intervention policière qui respectent toutes les règles d’une méthodologie forte. Il faut en conséquence recourir à des évaluations méthodologiquement moins orthodoxes, qui n’en conservent pas moins leur utilité et leur valeur heuristique. La première partie de l’article est consacrée à l’objet et aux méthodes de l’évaluation. En se fondant sur les notions développées dans cette première partie, la seconde indique quelles sont les difficultés que soulève, dans un contexte pratique d’intervention, la mise en place d’un cadre d’évaluation qui respecte pleinement les caractères de l’objet d’une évaluation et les exigences d’une méthode rigoureuse, l’une de ces difficultés étant les coûts prohibitifs engendrés par la réalisation d’une évaluation riche. Dans une troisième partie, nous présentons une série de procédés qui peuvent conduire à des évaluations qui satisfassent autant aux exigences de la théorie qu’à celles de la pratique de l’intervention policière. En conclusion, nous discutons brièvement des résultats des évaluations jusqu’ici effectuées de la police de communauté et de la police de résolution de problèmes.
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 | 0.037 | 0.083 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".