Bibliographic record
Abstract
Cet article part du principe que l’analyse de la criminalité doit traiter d’au moins deux dimensions : le volume et la gravité des infractions. Le taux de criminalité traditionnel mesure exclusivement le volume de criminalité commis à un endroit ou à un moment précis. Statistique Canada a récemment développé un Indice de gravité de la criminalité visant à tenir compte de la gravité des infractions enregistrées par la police. L’analyse de la construction de l’indice révèle qu’il s’agit en fait d’un taux pondéré influencé à la fois par le volume et la gravité. L’article présente un nouvel indicateur qui vise à mesurer uniquement la gravité des infractions enregistrées. Cette mesure de la gravité moyenne des infractions criminelles enregistrées par la police est simple à calculer et facile à interpréter. Elle permet de conclure que les infractions enregistrées au Canada au cours des années 2000 sont moins graves que celles enregistrées durant les années 1980 et 1990. La mesure vient aussi nuancer le classement des provinces et des villes canadiennes les plus « dangereuses » puisqu’il est démontré qu’un taux de criminalité élevé ne signifie pas nécessairement un niveau de gravité élevé, et vice versa. L’analyse des données policières sous l’angle de la gravité offre une vision plus complète du phénomène de la criminalité.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".