Peut-on distinguer homicide-suicide et suicide par leurs facteurs de risque ?
Bibliographic record
Abstract
Les homicides-suicides sont des événements aussi graves qu’exceptionnels. À l’interface de la criminologie et de la suicidologie, leur étude et leur prévention butent sur une indistinction de statut : sont-ils à considérer comme une sous-catégorie du suicide ou comme une entité à part entière ? Pour le clarifier, nous avons mené une méta-analyse de l’ensemble des articles comparant les facteurs de risque de suicide et d’homicide-suicide afin de discerner si certains d’entre eux étaient plus spécifiques de l’un ou de l’autre des événements. Treize articles ont été inclus dans l’analyse finale. Le sexe masculin, l’appartenance à une minorité culturelle et les antécédents judiciaires étaient plus spécifiquement associés à l’homicide-suicide qu’au suicide. De même, le suicide survenait plus fréquemment à domicile et impliquait des moyens plus violents lorsqu’il était précédé d’un homicide. En revanche, les problèmes de santé physique, les antécédents de dépression, de tentative de suicide et de consommation de substances psychoactives augmentaient le risque de suicide davantage que celui d’homicide-suicide. À l’appui des présents résultats, nous proposons de revisiter la dualité homicide-suicide/suicide en l’inscrivant dans un modèle intégré. Sous cette perspective, les deux événements pourraient être lus comme l’issue dramatique d’une même tension psychique critique que favoriseraient des facteurs prédisposant aspécifiques. La forme du passage à l’acte ne dépendrait alors de l’influence que de certains de ces facteurs, dits facteurs orientants. Les implications que cette modélisation pourrait avoir en termes de recherche sont ici discutées.
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 | 0.021 | 0.065 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.005 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.005 | 0.008 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 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".