Les drogues, l’alcool et la criminalité : profil des détenus fédéraux canadiens
Bibliographic record
Abstract
Il est souvent fait mention dans la documentation scientifique d’une association statistique entre la consommation d’alcool, de drogues illicites et la criminalité. Cependant, on trouve peu d’information permettant d’estimer l’importance de cette relation et de la préciser. La consommation de substances psychoactives se caractérise par deux propriétés importantes, soit une éventuelle intoxication et la dépendance. Ces deux propriétés renvoient respectivement aux modèles psycho-pharmacologique et économico-compulsif tentant d’expliquer la relation drogue-crime. Le premier modèle associe l’usage et l’intoxication à une diminution de la performance des fonctions cognitives et de contrôle donnant libre cours, entre autres, aux pulsions agressives et à la violence. On réfère ainsi souvent aux théories de la désinhibition. Le deuxième modèle fait référence à l’énorme pression économique qui repose sur les épaules d’un consommateur dépendant de certaines drogues, et à la nécessité d’exercer des activités criminelles lucratives dans le but de se procurer l’argent nécessaire à la consommation. Cet article explore les liens entre la consommation d’alcool, de drogues illicites et la criminalité, en cherchant à les préciser en tenant compte d’une part du type de substances et d’autre part du type de criminalité en question.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".