Réussir dans le crime et réussir à s’en sortir : l’influence de la carrière criminelle sur le processus de désistement
Bibliographic record
Abstract
Plusieurs routes mènent au désistement criminel et le parcours emprunté dépend des expériences passées. Peu de travaux se sont penchés sur le lien entre la carrière criminelle et la période qui lui succède, sur la manière dont les événements qui ont caractérisé le mode de vie criminel influencent la décision de se désister, mais surtout de maintenir l’abstinence criminelle. Sur la base de récits de vie narratifs de délinquants impliqués dans une criminalité lucrative ( N = 15), cette étude vise à reconstruire avec chaque individu sa trajectoire de vie afin d’étudier le sens et la dynamique derrière le processus d’amorce et de maintien du désistement. Les résultats ont permis d’identifier deux parcours distincts. Ils suggèrent aussi que la considération des expériences subjectives et des événements passés affectant la carrière criminelle donne accès à une compréhension approfondie du désistement et des défis de la réinsertion sociale. Les analyses mettent en évidence l’intérêt de la notion de réussite criminelle dans l’étude du processus de désistement. L’étude favorise la compréhension des moments décisifs dans les carrières criminelles, et les processus qui expliquent la continuité et le désistement des activités criminelles.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".