Désistement assisté en contexte formel : une étude de la portée
Bibliographic record
Abstract
Les indicateurs de récidive sont souvent utilisés pour évaluer l’efficacité des interventions réalisées par les acteurs formels du système de justice pénale. Ces études permettent de déterminer « ce qui fonctionne » pour prévenir la récidive. Par contre, elles donnent peu d’information sur les processus de désistement du crime, c’est-à-dire sur comment ces interventions contribuent à l’arrêt de la criminalité et à soutenir les désisteurs dans leurs efforts de changement. Cette étude de la portée montre que des agents de désistement formels peuvent jouer un rôle de soutien en offrant de l’aide pratique et des ressources qui tiennent compte des besoins des désisteurs et en favorisant les changements cognitifs et identitaires en donnant des rétroactions positives et des encouragements constants. Un modèle est proposé pour conceptualiser les impacts des interventions formelles sur les processus de désistement. Le contexte non volontaire, l’équilibre fragile entre les rôles légal et thérapeutique des agents formels, ainsi que la fragilité inhérente aux processus de désistement sont importants à considérer pour offrir des interventions visant à promouvoir le désistement. Des pistes pour les recherches futures ainsi que les implications pour le développement de politiques et la pratique sont discutées.
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 | 0.019 | 0.054 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| 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".