Détecter l’appelant dissimulateur au service d’urgence 9-1-1
Bibliographic record
Abstract
Cette étude porte sur la détection de l’appelant dissimulateur au service téléphonique d’urgence. Contrairement à la majorité des citoyens qui font appel à ce service, l’appelant dissimulateur ment ou omet des informations importantes pour la suite de l’enquête. Une étude antérieure ayant déjà démontré que les appelants dissimulateurs se comportent différemment des appelants sincères, les objectifs de l’étude consistent à identifier les traits du comportement verbal de l’appelant qu’on peut associer le plus nettement à la tromperie et à déterminer lesquels sont les plus faciles à repérer. L’analyse est fondée sur la comparaison de 45 appels non sincères à 40 appels sincères ; elle est menée dans une perspective interactionniste. Huit des traits testés sont corrélés avec la non-sincérité de l’appelant. Certains d’entre eux sont d’ordre interactionnel, d’autres d’ordre discursif. Les variables interactionnelles se révèlent plus difficiles à coder que les variables discursives, ce qui entraîne une différence d’évaluation parfois importante d’un analyste à l’autre. On peut construire un outil d’analyse prenant appui sur les quatre variables dont l’évaluation est la plus convergente : la clarté du motif, les pauses avant le début de la réponse à une question, les structuresJE+ verbe à l’imparfait et les contradictions. Un taux de prédiction globale correcte de la sincérité ou de la non-sincérité de l’appelant de 82 % peut être obtenu avec ces variables.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.005 |
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".