MétaCan
Menu
Back to cohort
Record W3160718425 · doi:10.7202/1076695ar

Tête, épaule ou poitrine : est-ce que le positionnement des caméras portatives a une incidence sur la visibilité d’informations cruciales ?

2021· article· fr· W3160718425 on OpenAlexvenueno aff
Joel Suss, Erich J. Petushek

Bibliographic record

VenueCriminologie · 2021
Typearticle
Languagefr
FieldPsychology
TopicHuman-Automation Interaction and Safety
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPhilosophyPolitical scienceArt

Abstract

fetched live from OpenAlex

Les caméras portatives sont devenues monnaie courante dans les forces de l’ordre. La plupart de la recherche sur le sujet s’est intéressée à l’effet des caméras sur le comportement des policiers et leur incidence sur le taux de plaintes des citoyens envers la police alors que peu d’études se sont penchées sur les facteurs humains et les problèmes ergonomiques liés au déploiement de ces appareils, notamment celui du positionnement des caméras portatives. Cette question est d’intérêt puisque le positionnement peut avoir un effet sur la qualité des séquences filmées. Jusqu’à maintenant, il y a peu de directives fondées sur des données probantes quant au positionnement optimal des caméras. La présente étude a donc comme but d’analyser le degré de visibilité d’une cible à partir de différents positionnements d’installation des caméras portatives. Trois policiers ont effectué 31 exercices de tir sur une cible statique avec une arme de poing, un fusil d’assaut et une carabine. Les exercices ont été faits en variant les positions de départ, les positions du corps des policiers, les façons de tenir l’arme et les mouvements. Des caméras portatives ont été installées des deux côtés d’un chapeau, des lunettes et des épaules, ainsi que sur la poitrine. Une caméra a aussi été installée sur chaque arme à feu. Nous avons codé, et utilisé comme mesure principale, le pourcentage des images filmées où la cible était entièrement visible pendant les exercices. Chaque exercice a été divisé par phases, soit pré-tir, tir et post-tir, et un regroupement de toutes les phases a aussi été fait. Dans l’ensemble, pour toutes les phases, les caméras portées à la tête (chapeau et lunettes) et la caméra portée sur la poitrine ont montré une visibilité supérieure (~80 % de visibilité complète) aux caméras installées sur une arme à feu (68 % de visibilité complète) et sur l’épaule (~12 % de visibilité complète). Durant la phase de pré-tir, toutes les caméras portées à la hauteur de la tête (chapeau et lunettes) avaient une visibilité supérieure (~70 % de visibilité complète) à tous les autres positionnements (14-41 % de visibilité complète). Cette étude laisse entendre que les caméras portées à la tête, situées à gauche ou à droite d’un chapeau ou de lunettes, offrent une meilleure optimisation de la visibilité de la cible.

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 imitation

Not 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.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.024
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.027
Threshold uncertainty score0.091

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0030.024
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0020.003
Scholarly communication0.0060.007
Open science0.0010.003
Research integrity0.0020.002
Insufficient payload (model declined to judge)0.0270.005

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.

Opus teacher head0.198
GPT teacher head0.434
Teacher spread0.236 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractyes

Explore more

Same venueCriminologieSame topicHuman-Automation Interaction and SafetyFrench-language works237,207