Analyse logique d’un programme destiné aux jeunes membres de gangs de rue : ReZo
Bibliographic record
Abstract
En raison de leurs activités criminelles, l’identification de bonnes pratiques pour intervenir auprès des jeunes membres de gangs de rue est essentielle pour assurer la protection du public. Les recherches actuelles ne permettent toutefois pas d’identifier de programmes d’intervention efficaces pour cette clientèle (Boxer et al., 2015; Boxer et Goldstein, 2012; Parker et al., 2008 et Sécurité publique Canada, 2007). Le but de la présente étude est l’analyse logique de la théorie du programme d’intervention offert aux jeunes impliqués dans les gangs de rue et hébergés en centre de réadaptation en vertu d’une ordonnance de mise sous garde et de surveillance, à la suite d’une infraction de la Loi sur le système de justice pénale des adolescents (LSJPA). Le programme évalué, nommé ReZo, a pour objectif de susciter la réflexion des jeunes sur leur position dans les gangs de rue pour ultimement réduire leur risque de récidive. L’analyse logique cible deux aspects de la théorie du programme : la sélection des participants et du contenu des ateliers. Les résultats suggèrent que le processus de sélection des participants pourrait être bonifié (objectif 1) en ajustant les domaines de l’Inventaire des risques et des besoins liés aux facteurs criminogènes (IRBC) utilisés et en y incluant la Mesure d’adhésion à la culture de gang de rue (MACg). L’analyse du guide structuré et du modèle logique de ReZo suggère que le programme respecte la majorité des pratiques prometteuses citée dans la littérature quant au contenu des ateliers (objectif 2). Des modifications telles que le choix de thèmes, l’implication de l’entourage et de la famille et l’ajout de mesures d’évaluation sont recommandées.
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 | 0.009 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 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".