Scripter le trafic humain à des fins d’exploitation sexuelle : du recrutement à la distribution des bénéfices
Bibliographic record
Abstract
En 2019, le trafic humain à des fins d’exploitation sexuelle continue de générer une importante polarisation des opinions sur les places publiques et politiques. Même si les écrits entourant ce phénomène sont nombreux, celui-ci reste mal défini. Le manque de recherches bâties sur une méthodologie rigoureuse demeure une entrave importante à l’élaboration de connaissances fiables autant en ce qui concerne le paradigme du passage à l’acte que celui de la réaction sociale. Pourtant, la gravité des impacts de ce crime sur la vie des victimes mérite de s’y attarder consciencieusement. La présente recherche souhaite poursuivre l’exploration empirique du phénomène. L’objectif est de décrire le processus du trafic humain à des fins d’exploitation sexuelle. Pour ce faire, l’approche des scripts a été retenu comme cadre théorique. C’est une approche utilisée dans de nombreuses études de phénomènes complexes et pourtant rarement appliquée au trafic humain. L’approche du script nous permet de considérer le trafic humain à des fins d’exploitation sexuelle dans sa globalité tout en permettant de mettre en lumière les éléments spécifiques nécessaires qui composent le processus. Vingt-deux cas, tirés de jugements canadiens ayant des accusations sous l’article 279.01 du Code criminel, ont été retenus pour créer le script général du trafic humain à des fins d’exploitation sexuelle. Le résultat est un script en huit étapes, du recrutement à la distribution des bénéfices. Deux étapes additionnelles ont été ajoutées. En amont, le contexte initial est soulevé pour, notamment, établir les motivations individuelles des travailleuses et, en aval, la fin de la carrière est décrite pour aborder les causes du désengagement. Le script identifié rapporte un trafic national, peu structuré et opportuniste.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.015 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".