Évaluation du projet pilote des caméras corporelles du Service de police de la Ville de Montréal
Bibliographic record
Abstract
Les caméras corporelles sont souvent évaluées comme un outil pouvant amener les policiers et les citoyens à agir plus conformément aux attentes et normes sociales lorsqu’ils sont filmés. La Ville de Montréal a récemment mené un déploiement partiel de caméras corporelles afin d’évaluer la faisabilité et la pertinence d’équiper l’ensemble de ses policiers de cette technologie. Le présent article vise à évaluer l’impact quantitatif de l’implantation de caméras corporelles sur plusieurs indicateurs liés à la qualité des interventions police-citoyens à Montréal. Ces indicateurs proviennent de statistiques officielles, de sondages auprès de personnes ayant reçu un constat d’intervention et de données de la cour municipale de Montréal. Ces données ont été analysées en utilisant la méthode des doubles différences, c’est-à-dire en comparant les périodes avant et pendant l’implantation des caméras corporelles, pour le groupe expérimental et le groupe contrôle. Les résultats proposent que les caméras aient eu peu d’impact sur les interactions police-citoyens, principalement en raison du nombre de cas très limité ou d’un niveau de satisfaction à la base élevé qui rendaient improbable la détection d’un quelconque effet statistiquement significatif.
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 | 0.009 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".