Effets préventifs et dissuasifs : analyse d’impact d’une opération policière de prévention des cambriolages 1
Bibliographic record
Abstract
Cette recherche tente de développer une méthodologie évaluative destinée à départager et à comprendre la part relative des effets préventifs et dissuasifs induits par les interventions policières de prévention. Nos conclusions suggèrent que la forte baisse des cambriolages observée à la suite de la mise en place d’une opération de prévention à Boucherville (en banlieue de Montréal) est en partie imputable à une série d’arrestations ciblées de délinquants particulièrement actifs, arrestations effectuées de manière concomitante à l’implantation du projet. Plutôt que de recourir à une mesure nominale d’impact (absence/présence), nous avons utilisé une mesure continue de la force des interventions pour chaque mois. Bien que la première constitue la norme en évaluation, nos analyses démontrent qu’une mesure nominale surestime largement les effets d’une intervention. Une modélisation précise des variations chronologiques d’un processus récurrent comme la criminalité a également permis de saisir la double relation entre l’augmentation du crime, la mise en place des réponses au crime et leur impact sur les crimes subséquents. Ainsi, nous proposons un design qui considère la possibilité d’impacts différés en séquence. L’utilisation de corrélations différées a permis de déterminer le «moment optimal» où une intervention exerce son impact, tout en clarifiant les raisons pour lesquelles cette intervention exerce cet effet à tel moment plutôt qu’à tel autre.
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 | 0.016 | 0.051 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.000 |
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".