L’effet de la disponibilité des armes à feu sur les taux d’homicides au Québec de 1974 à 2006 : une analyse de séries chronologiques
Bibliographic record
Abstract
Cet article estime la relation entre la disponibilité des armes à feu (AAF) et les homicides au Québec de 1974 à 2006. L’article se distingue des recherches préalablement réalisées, d’une part, en opérationnalisant des indicateurs de disponibilité selon le statut de l’arme et, d’autre part, en créant des taux d’homicide tenant compte de leur contexte. Des séries chronologiques furent analysées à l’aide d’une modélisation ARIMA. Les relations significatives s’observent principalement lorsque les deux phénomènes sont considérés au même temps de mesure. Par conséquent, il demeure difficile de déterminer si les AAF influent sur le taux d’homicide ou bien si ce sont les homicides qui affectent la disponibilité des AAF. La disponibilité des AAF entretient toutefois des liens étroits avec les homicides dans un contexte bien précis, soit celui des homicides conjugaux. Une augmentation des homicides conjugaux se traduit par une hausse de la disponibilité des armes longues. Par la suite, une recrudescence dans la disponibilité de ce type d’armes s’accompagne d’une baisse des homicides conjugaux. L’interprétation des résultats met l’accent sur l’importance des contextes et du statut de l’arme lors de l’étude de la disponibilité des AAF et des violences criminelles.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 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".