La densité des seringues à la traîne à Montréal : l’influence des caractéristiques de l’environnement urbain
Bibliographic record
Abstract
Depuis les années 1980, plusieurs études ont été menées sur les seringues à la traîne avec deux objectifs principaux : évaluer les différents programmes de gestion des seringues ou déterminer les conditions favorisant leur utilisation par les consommateurs de drogue par injection. De plus, la grande majorité de ces études sont qualitatives et n’abordent pas la distribution spatiale des seringues à la traîne. Pourtant, une meilleure compréhension de la géographie des seringues à la traîne est fort pertinente afin d’optimiser certains programmes, comme la localisation des boîtes de dépôt public. Cet article repose sur l’analyse de 13 560 seringues à la traîne collectées de 2009 à 2014 dans le quartier montréalais Centre-Sud. Plusieurs modèles de régression Tobit ont été réalisés avec comme variable dépendante la densité des seringues à la traîne dans un rayon de 100 mètres et comme variables indépendantes des indicateurs relatifs à l’environnement urbain, tels que la proximité des programmes collectant de seringues, des postes de police ou des stations de métro, ainsi que le type de rue ou la présence de parcs. Les résultats montrent que les variables les plus significatives sont les ruelles ainsi que la proximité des boîtes de dépôt public.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".