Bibliographic record
Abstract
Cet article offre un aperçu des travaux scientifiques portant sur les programmes efficaces de prévention du crime et sur leur mise en oeuvre. Les évaluations scientifiques de projets de prévention du crime qui abordent des facteurs de risque montrent fréquemment qu’ils peuvent réduire la criminalité et que, souvent, ils sont plus efficaces à le faire que les réponses habituelles de la justice pénale. Les organisations intergouvernementales s’entendent sur les étapes-clés qui sont nécessaires pour en arriver à mobiliser les organismes concernés dans la lutte contre ces facteurs de risque. Malgré les recommandations de comités parlementaires et d’un nombre croissant d’experts, la prévention du crime n’est pas encore arrivée à jouer le rôle prépondérant qui pourrait être le sien afin de réduire plus efficacement les taux de criminalité au Canada. Toutefois, la politique récente annoncée par la province de l’Alberta suggère quelques avenues par lesquelles cette résistance pourrait éventuellement être surmontée.
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 | 0.010 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.005 | 0.013 |
| Scholarly communication | 0.013 | 0.009 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.008 | 0.011 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".