Bibliographic record
Abstract
La présente étude se penche sur l’expérience d’individus qui visitent leurs proches dans les pénitenciers fédéraux au Canada, notamment sur les répercussions de l’utilisation d’un appareil de détection de drogues, le scanneur à ions, qui sert d’étape de contrôle des visiteurs des détenus. À partir de données tirées de huit entretiens non dirigés avec des personnes ayant connu des faux positifs sur le scanneur à ions lors de visites en prison, j’étudie les conséquences négatives de ce type de résultats, qui peuvent être assez fréquents, sur la vie des détenus et de leur famille. Même s’ils sont présentés comme des instruments objectifs et non biaisés, la manière dont les scanneurs à ions sont utilisés est empreinte de jugements moraux envers les individus qui visitent leurs proches détenus. J’aborde deux thèmes tirés de l’analyse : l’interaction entre le personnel carcéral et les familles des prisonniers ainsi que l’irrégularité et l’imprévisibilité des scanneurs à ions. L’analyse montre qu’il s’agit d’une technologie à risque d’erreurs qui participe à la stigmatisation – et même à la punition – des familles des détenus. En m’appuyant sur la littérature portant sur les conséquences collatérales de l’incarcération et sur les technologies du risque et de surveillance, je réfléchis à la manière dont les scanneurs à ions participent à l’extension des souffrances de l’incarcération aux visites en prison.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.013 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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".