Vers une modélisation de la violence exprimée en milieu carcéral
Bibliographic record
Abstract
Introduction D ifférentes études indiquent qu'il y aurait une augmentation de la violence exprimée en milieu carcéral, tant en termes de quantité que de gravité (1-3).Meurtres, bagarres, voies de fait, menaces verbales (directes ou indirectes), menaces écrites, bris de matériel, terrorisme, émeutes, prises d'otage, contrôle des privilèges, agressions sexuelles, évasions, mais aussi suicides et automutilations, font partie des actes de violence observés régulièrement dans les prisons.Notons ici que, même en milieu libre, la violence est un terme plutôt ambigu dont la définition s'établit d'abord politiquement, c'est-à-dire selon des choix de société (4).Le milieu carcéral, quant à lui, procède souvent d'une culture bien particulière ; il ne définit pas toujours les comportements violents de la même façon.Or, ce n'est pas uniquement le niveau de frustration qui engendre la violence mais aussi l'approbation ou la désapprobation sociale de cette violence (5).Pour ce qu'il en est de la violence la plus extrême, le taux des meurtres d'employés carcéraux aux États-Unis est inférieur à celui observé en communauté.Même au niveau des meurtres entre personnes incarcérées, lesquels sont généralement plus nombreux, on observe -du moins pour l'ensemble des prisons provinciales canadiennes -qu'ils ne sont pas plus nombreux, toutes proportions gardées, qu'en milieu libre (6).Par-delà le nombre plus ou moins important d'actes violents qui peuvent être commis en milieu carcéral, il faut voir aussi qu'ils ne seraient attribuables qu'à seulement 2 % des personnes incarcérées (7).La violence des détenus sur les surveillants (le terme "surveillant", utilisé principalement en Europe, renvoie en Amérique au terme "gardien", ou mieux, "agent correctionnel", lequel reflète davantage l'ampleur nou-19
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".