Peut-on se fier aux délinquants pour estimer leurs gains criminels ?1
Bibliographic record
Abstract
Toute étude quantitative qui requiert d’un échantillon de délinquants de procéder à un inventaire individuel et détaillé de leurs activités délinquantes et des revenus criminels qu’ils en retirent suscite, à juste titre d’ailleurs, un certain scepticisme. Dans cet article nous procédons à un bilan des objections et des problèmes associés à de telles enquêtes ainsi que des stratégies de validation utilisées dans la littérature pour détecter les erreurs de mesure, leur amplitude et leur direction. En utilisant un échantillon de délinquants adultes incarcérés dans les pénitenciers fédéraux au Québec, nous évaluons la portée des problèmes de validité des déclarations de revenus criminels, le degré de convergence de leurs déclarations lorsqu’on fait varier la nature des questions posées et les raisons particulières des différences observées. Nos résultats montrent que les facteurs les plus décisifs dépendent de la complexité cognitive des tâches demandées aux répondants plutôt que des caractéristiques individuelles ou des effets de contexte de l’entretien.
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 | 0.009 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| 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) | 0.006 | 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".