Les éléments entourant le passage à l'acte sous forme de co-délinquance au Québec
Bibliographic record
Abstract
Les premières études recensées ayant traité de la co-délinquance ont plus de cent ans. Comme il s’agit d’un sujet qui a de l’histoire, il y a eu une grande évolution dans la façon d’aborder la question et dans les méthodologies employées. Mais, ce n’est que depuis quelques années que la co-délinquance est étudiée par l’entremise de données d’arrestations policières et c’est ce type de données qui sera utilisé pour répondre à l’objectif principal, celui-ci étant la détermination des conditions expliquant le recours ou non à la co-délinquance pour commettre une infraction criminelle. De plus, pour répondre à notre objectif de recherche, nous avons opté pour une théorie structurante du crime, approche qui n’avait jamais été utilisé auparavant dans les études sur la co-délinquance. Comme méthodologie, nous avons utilisé un échantillon composé de 9 103 participations criminelles, de 8 243 événements distincts et de 3 356 individus et plusieurs prédicteurs ont été analysés afin de déterminer lesquels expliquent le mieux la co-délinquance. L’âge, le genre, les antécédents criminels, l’urbanité et le type de crimes sont toutes des variables qui ont été considérées. L’urbanité représente une nouveauté dans ce type de recherche, puisque nous avons recensé que très peu d’études ayant abordées la question. Alors, que pour le type de crime, nous l’avons détaillé, comme aucune étude sur la co-délinquance ne l’a fait auparavant (23 catégories d’infractions). Ce détail nous permet donc de bien cibler l’impact de chaque délit sur le recours à la co-délinquance. Le résultat émergeant des analyses de régression logistique est que le recours à la co-délinquance s’explique principalement par le type de crime commis, certains actes criminels sont plus propices à la co-délinquance que d’autres. Nous constatons également que les autres variables analysées ont très peu ou pas d’impact sur le recours à la co-délinquance, que ce soit l’âge, le genre, les antécédents criminels ou même l’urbanité.
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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; both teacher heads agree on what is shown here.
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".