MétaCan
Menu
Back to cohort
Record W2992567074 · doi:10.7202/1065859ar

Étude sur l’impact d’un délai d’effacement automatique pour les profils ADN de personnes prévenues

2019· article· fr· W2992567074 on OpenAlexaffvenue
Giulia Cinaglia, Julien Chopin, Patrice Villettaz, Olivier Delémont

Bibliographic record

VenueCriminologie · 2019
Typearticle
Languagefr
FieldBiochemistry, Genetics and Molecular Biology
TopicForensic and Genetic Research
Canadian institutionsSimon Fraser University
Fundersnot available
KeywordsHumanitiesPhysicsArtPhilosophy

Abstract

fetched live from OpenAlex

Depuis plus de 30 ans, les traces ADN contribuent significativement aux investigations criminelles, grâce notamment à la mise en place de banques de données génétiques. Si leur utilité est amplement reconnue, certains aspects – comme la durée de conservation du profil des individus – continuent à alimenter les débats, de par les implications en matière d’atteinte au droit de la personne. En Suisse, la durée de rétention dépend de l’issue de la procédure judiciaire, ce qui complexifie la procédure d’effacement. La définition d’un délai d’effacement automatique constituerait donc une solution intéressante pour simplifier la procédure, tout en garantissant l’efficacité de la trace ADN et le droit à l’oubli. Cette étude vise donc à déterminer s’il est possible de supprimer le profil ADN d’un individu de la banque de données sans que cela nuise à l’élucidation d’enquêtes futures et, le cas échéant, de proposer un délai d’effacement automatique le plus opportun. À la suite des résultats de l’étude de Girardet (2014) sur l’application des délais d’effacement en Suisse, trois échéances – 5, 8 et 10 ans – ont été retenues dans la présente étude. Issu de la banque de données ADN suisse, l’échantillon utilisé comprenait les données sur les prélèvements ADN réalisés (N = 106 346) et sur les traces biologiques identifiées (N = 16 516) entre 2005 et 2014 dans quatre cantons suisses. Les résultats obtenus montrent que l’effacement des profils n’affecte pas l’identification des traces. En effet, 80 % des identifications surviennent dans l’année qui suit l’enregistrement du profil génétique du prévenu, le solde étant identifié dans un délai de 10 ans au plus. Quant aux infractions dont les traces ont été identifiées au-delà d’un délai de 5 ans (N = 313), ou de 8 ans (N = 36), il apparaît que la grande majorité de ces affaires ont trait à des infractions contre le patrimoine, même si on relève également quelques cas d’atteinte à la personne. Ainsi, en se fondant sur le jeu de données mises à disposition, les résultats de cette étude montrent qu’un délai automatique de 10 ans assurerait à satisfaction l’efficacité de l’exploitation de la banque de données, tout en respectant la proportionnalité de la pratique.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.327
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0010.000
Research integrity0.0010.000
Insufficient payload (model declined to judge)0.0010.001

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.

Opus teacher head0.121
GPT teacher head0.368
Teacher spread0.247 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2019
Admission routes2
Has abstractyes

Explore more

Same venueCriminologieSame topicForensic and Genetic ResearchFrench-language works237,207