Le criminel tel qu’il est représenté et étudié dans la revue Criminologie entre 1968 et 2016
Bibliographic record
Abstract
Cet article examine la couverture et le traitement du criminel dans la revue Criminologie. Pour observer la représentation du criminel et son étude à travers le temps, des articles empiriques publiés entre 1968 et 2016 qui répondent à certains critères ont été retenus : ils devaient avoir pour objet d’étude principal le criminel et s’appuyer sur une méthodologie détaillée, rigoureuse et ayant un devis reproductible. Ainsi, 24 articles ont été retenus. Dans ceux-ci, la définition du criminel repose sur un présupposé opératoire. Alors que la manière d’identifier le criminel varie très peu et qu’elle se fait le plus souvent sur la base des antécédents criminels officiels, la nomination du criminel varie en fonction de diverses caractéristiques. L’étude du criminel, elle, se centre surtout autour des conduites ou des carrières criminelles, comme en témoigne la majorité des études qui en font leur question d’étude. Les devis sont variés, mais il y a une forte majorité de devis quantitatifs, et bien que les devis longitudinaux doivent être favorisés dans l’étude des carrières criminelles, ils se font rares. Les données autorapportées sont davantage employées dans l’étude du criminel que les données officielles, ce qui souligne la limite de celles-ci dans l’étude de cette thématique. Des pistes de recherche sur l’étude du criminel sont proposées dans la conclusion.
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 | 0.009 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.008 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| 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".