Bibliographic record
Abstract
Alors que les jeux de hasard et d’argent gagnent en accessibilité, de nombreuses études établissent un lien entre le jeu pathologique et la criminalité. La vie du joueur emprunterait un parcours précis vers la délinquance et s’inscrirait dans un cycle gambling-délinquance 2 . Or, l’inscription des trajectoires délinquantes dans un cycle aussi statique nous paraît discutable. Dans cet article, nous soutenons que chaque individu est soumis à l’influence de facteurs pouvant modifier la carrière du joueur et sa propension à commettre des délits. À l’aide d’une vingtaine d’entrevues, nous avons retracé la trajectoire des joueurs en abordant des thèmes susceptibles d’apporter un éclairage sur les modalités d’apparition de la délinquance chez ces individus. En analysant leur vie en termes de carrière, nous observons l’apparition, l’évolution et, parfois même, l’arrêt du jeu et des activités délictuelles. Quant aux facteurs susceptibles de moduler l’apparition des comportements délinquants, nous examinons l’influence des proches en termes d’opportunités criminelles et de dissuasion, l’effet précipitant des tensions financières et familiales, l’effet dissuasif de la peur ou, au contraire, les prédispositions caractérielles ou comportementales des joueurs et, finalement, l’ingéniosité des joueurs à financer et prolonger leurs activités de jeu. Nous souhaitons ainsi mettre en perspective le cycle gambling-délinquance en étudiant les éléments constitutifs de la carrière des joueurs pathologiques qui ont pour effet de neutraliser, retarder ou accélérer le passage à l’agir délictuel.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".