L'utilisation et les enjeux du renseignement financier : un aperçu du CANAFE
Bibliographic record
Abstract
Cette étude s’intéresse à un domaine peu étudié, la cellule de renseignements financiers du Canada, le Centre d’analyse des opérations et des déclarations financières du Canada (CANAFE). Notre communication aborde les enjeux auxquels le CANAFE a fait face lors de son émergence ; de sa mise en place à l’utilisation des renseignements financiers. Cette étude a pour but de questionner la portée de ces enjeux sur les pratiques de coopération et d’échange d’informations dans le champ canadien de la sécurité, en plus de produire des connaissances relatives aux pratiques du CANAFE et de leurs partenaires. Nous nous intéresserons au cheminement du CANAFE vers son positionnement actuel grâce au capital détenu par cette institution, le renseignement financier, mobilisé et utilisé par la CRF, afin d’atteindre la position et les prises de position actuelle de la cellule. Notre démarche méthodologique repose sur la réalisation d’entretiens semi-directifs principalement auprès des fournisseurs du renseignement financier, soit des acteurs provenant du CANAFE. Des entretiens ont aussi été réalisés auprès de quelques utilisateurs du renseignement financier, soit des acteurs provenant de la Sureté du Québec (SQ) et de l’Autorité des marchés financiers (AMF) pour apporter une ouverture sur leur perspective du sujet étudié.
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 | 0.007 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| 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".