Anatomie d’une enquête criminelle
Bibliographic record
Abstract
Malgré l’attention considérable portée à l’étude du maintien de l’ordre, les criminologues omettent l’une de ses principales fonctions. Les enquêtes criminelles impliquent environ 16 % du personnel d’application de la loi et jouent un rôle majeur, en fonction de leurs succès et de leurs échecs, dans la manière dont les forces de l’ordre sont perçues par le public. Cette lacune scientifique est d’autant plus surprenante compte tenu du rôle primordial que jouent les détectives et les enquêteurs policiers quant à la suite des choses. Sans la résolution du crime et l’arrestation de l’individu fautif, aucune autre instance du système de justice – procureur, avocat de la défense, juge, juré, probation, maison de détention, prison, libération conditionnelle, réinsertion sociale – n’entre en jeu. Les quelques recherches menées sur le sujet se sont surtout intéressées à l’aspect organisationnel et technique du travail de détective. J’opterai ici pour une approche différente et analyserai l’anatomie d’une enquête criminelle : sa structure sous-jacente, ce que cette démarche implique et exige, comment atteindre ces exigences, quelles en sont les failles, et où est la place à l’amélioration. Les points plus spécifiques que sont la phase opérationnelle de l’enquête, la définition et la nature de la preuve et la structure systémique derrière l’échec d’enquêtes seront aussi abordés. L’enquête dans l’affaire Gail Miller-David Milgaard servira d’exemple à l’étude.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.011 |
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".