Bibliographic record
Abstract
La littérature sur la diversification criminelle s’est particulièrement développée au cours des deux dernières décennies. Parmi les études, la diversité dans les activités illicites a été examinée auprès de divers sous-échantillons. Toutefois, aucune n’a été menée sur la versatilité criminelle de fournisseurs de drogues. Pourtant, ces derniers se distinguent quant à plusieurs aspects de leurs activités criminelles. L’objectif principal de ce mémoire est de déterminer quels sont les facteurs ayant une influence sur la diversification criminelle des distributeurs de drogues au Québec. Pour ce faire, un sous-échantillon de 33 270 fournisseurs de drogues a été circonscrit à l’aide de données d’arrestations policières des années 2003 à 2009. Le résultat émergeant d’une régression logistique ordinale est que les facteurs de diversification criminelle sont essentiellement les mêmes pour notre sous-échantillon et les autres délinquants. Nous constatons également que nous gagnons en rigueur en distinguant les fournisseurs spécialisés dans un marché illicite, des distributeurs dits polydrogues. En effet, les analyses indiquent que ces derniers s’impliquent dans un nombre restreint de types de crimes. Finalement, contrairement à ce qui a été observé dans la littérature sur la diversité criminelle, certaines variables n’ont que peu ou pas d’effet sur la versatilité dans les activités illicites, comme l’intensité criminelle ainsi que l’âge.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".