Analyse quantitative de la carrière criminelle des internautes effectuant du leurre d’enfants
Bibliographic record
Abstract
Objectifs: L’objectif principal de ce mémoire consiste à comprendre les caractéristiques des carrières criminelles d’individus connus de la police pour avoir perpétré une infraction de leurre d’enfants sur Internet. Aussi, par une analyse typologique à l’aide des antécédents criminels, il sera possible d’établir une typologie d’individus ayant leurré des enfants sur Internet. Également, il sera question de vérifier s’il y a un lien entre les caractéristiques des antécédents criminels de ces individus sur la perpétration de l’agression sexuelle hors ligne. Méthodologie: Provenant de données officielles de la communauté policière du Québec, l’échantillon comprend les parcours de criminels ayant perpétré une infraction de leurre d’enfants sur Internet. Des analyses descriptives en lien avec les différents paramètres de la carrière criminelle seront effectuées. Ensuite, des tests de moyenne et une analyse de régression Cox permettront de vérifier la présence ou non d’un lien statistique entre les caractéristiques des antécédents criminels des individus connus de la police pour leurre d’enfants sur Internet et le passage à l’acte physique. Résultats: Les analyses ont montré que la majorité des sujets n’avaient aucun antécédent judiciaire. Pour la plupart, le leurre d’enfants est le crime le plus grave perpétré au cours de leur carrière criminelle. Trois catégories d’individus ont été décelées : les amateurs, les spécialistes et les généralistes. Ce sont les individus polymorphes ayant une carrière criminelle plus grave et plus longue qui sont portés à agresser sexuellement avant le leurre. Cependant, ce sont des individus spécialisés ayant une importante proportion de délits sexuels dans leurs antécédents criminels qui ont plus de chance d’agresser sexuellement suite à l’exploitation sexuelle sur Internet.
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 | 0.006 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".