L’impact des expériences d’impunité sur les risques de récidive pénale
Bibliographic record
Abstract
Considérant que la probabilité d’être puni varie d’un individu à l’autre, la théorie de la dissuasion doit être adaptée pour tenir compte à la fois des expériences délinquantes punies et impunies. L’omission de ce paramètre du modèle de décision peut amener des biais importants et une surestimation de l’échec au sein d’une carrière délinquante. Les études de prédiction de la récidive se basant uniquement sur les données pénales sont vulnérables à ce biais. Dans le cadre de cette étude, les données de délinquance autorévélée d’un échantillon de 199 détenus, mises en parallèle avec des données pénales, ont permis d’estimer la capacité individuelle d’évitement pénal. Lorsqu’on prend en considération cette disposition, les antécédents pénaux deviennent un indicateur des échecs auxquels les délinquants font face durant leur trajectoire délinquante plutôt que de la poursuite même de cette trajectoire, créant l’illusion de l’efficacité de sa prédiction par les antécédents pénaux. L’intensité des coûts pénaux antérieurs ainsi que les opportunités d’emploi conventionnel sont deux facteurs qui réduisent la probabilité de la poursuite de la carrière criminelle. Les bénéfices soutirés des activités criminelles augmentent cette probabilité.
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 | 0.003 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".