MétaCan
Menu
Back to cohort
Record W2306845018 · doi:10.7202/1097675ar

La réduction des méfaits en contexte carcéral québécois et canadien : tour d’horizon des pratiques connues

2023· article· fr· W2306845018 on OpenAlexaffvenueabout
Chantal Plourde, Serge Brochu, Noé Djawn White, Amélie Couvrette

Bibliographic record

VenueRevue de psychoéducation · 2023
Typearticle
Languagefr
FieldMedicine
TopicSubstance Abuse Treatment and Outcomes
Canadian institutionsUniversité de MontréalUniversité du Québec à Trois-RivièresInternational Centre for Comparative Criminology
FundersStyrelsen för Internationellt Utvecklingssamarbete
KeywordsPolitical scienceHumanitiesImprisonmentPrisonArtLaw

Abstract

fetched live from OpenAlex

Bon nombre de consommateurs de substances psychoactives se retrouvent dans les institutions carcérales québécoises et canadiennes. Or, leur consommation ne s’arrête pas nécessairement avec l’incarcération. Les taux de prévalence de consommation en prison et en pénitencier en témoignent. Aux prises avec les méfaits qui y sont associés (propagation des maladies virales, intoxication, etc.), les autorités pénitentiaires et de santé publique sont priées de trouver une réponse appropriée. En communauté, les pratiques de réduction des méfaits ont déjà démontré des résultats positifs au-delà de l’amélioration des comportements à risque. Toutefois, est-il possible d’adopter, dans un contexte carcéral, une approche visant à atténuer les méfaits associés à la consommation de drogue plutôt que de prôner l’abstinence totale de toute drogue ? Cet article tente une réponse à cette question en se basant sur un bref survol international des mesures adoptées en prison, mais plus spécifiquement en analysant celles entérinées à l’intérieur des murs québécois et canadiens. Il en ressort qu’une concertation entre les différentes instances correctionnelles, judiciaires et de santé publique s’avère essentielle dans l’adoption de mesures de réduction des méfaits et que doivent s’arrimer les soins prépost et carcéraux

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.527
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.037
GPT teacher head0.345
Teacher spread0.309 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2023
Admission routes3
Has abstractyes

Explore more

Same venueRevue de psychoéducationSame topicSubstance Abuse Treatment and OutcomesFrench-language works237,207