Les caméras portatives utilisées par les forces policières : suppositions et implications
Bibliographic record
Abstract
Si l’on se penche sur les études portant sur l’usage de caméras portatives par les forces policières, on constate que le corpus est minime, et qu’il examine surtout d’éventuels effets dissuasifs de ces dispositifs quant au recours à la force par les policiers, et quant au comportement des citoyens lors des interactions avec ces derniers. La présente étude prend appui sur nos précédents travaux, sur des preuves empiriques ainsi que sur quelques anecdotes pertinentes afin d’illustrer trois enjeux méconnus de la question des caméras portatives, problématiques qui participent à encourager actuellement leur utilisation. Ces trois enjeux sont : 1) le marketing et la vente de caméras portatives auprès des forces de l’ordre ; 2) l’utilisation d’enregistrements provenant de ces caméras à des fins promotionnelles pour la police ; 3 le recours aux preuves visuelles à la cour, qui impliquent de plus en plus souvent des enregistrements de caméras portées par des policiers. Bien comprendre ces trois problématiques à la lumière de données empiriques demeure nécessaire afin d’avoir un regard critique sur les raisons pour lesquelles les forces de l’ordre ont recours aux caméras portatives et sur les manières dont elles les utilisent. Le présent article offrira en conclusion une courte discussion et des pistes pour des travaux subséquents.
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 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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".