Prédiction de la revictimisation et de la récidive en violence conjugale
Bibliographic record
Abstract
En violence conjugale on ne peut négliger l’impact des circonstances immédiates et les caractéristiques individuelles des protagonistes dans la modulation du cours des évènements. Toutefois, peu d’études ont analysé simultanément les effets des circonstances immédiates, des caractéristiques de la victime et de l’agresseur sur la séquence des violences conjugales. L’objectif de cette étude est de mieux comprendre ce qui prédit la revictimisation ainsi que la récidive. Les résultats se fondent sur 52 149 évènements violents commis entre conjoints actuels ou passés enregistrés par les policiers sur le territoire d’une grande ville du Québec, de 2000 à 2009. Nos résultats montrent l’importance du sens de la violence, des expériences de victimisation et des antécédents criminels dans l’explication de la répétition de la violence, tout en nuançant leur effet en fonction de la récidive ou de la revictimisation. Cette étude peut permettre d’orienter les interventions sur plusieurs plans, en améliorant l’efficacité des mesures préventives et en permettant, par exemple, de déterminer des indicateurs facilement observables sur lesquels on peut baser l’intervention afin de mieux répondre au cours des évènements.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| 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) | 0.006 | 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".