Caméras portatives sur policiers : état de la situation au Canada
Bibliographic record
Abstract
Les caméras portatives sont aujourd’hui considérées comme le nouvel outil ayant le potentiel de transformer la police. Celles-ci sont perçues comme une solution pour : 1) augmenter la transparence, la reddition des comptes et la légitimité de la police ; 2) améliorer l’efficacité des enquêtes ; et 3) rehausser la sécurité des citoyens et des policiers. Or, les résultats du corpus d’études évaluant les effets réels de ces caméras sont, d’une part, mitigés, d’autre part, majoritairement américains. Le contexte social et légal canadien étant différent de celui des États-Unis, les résultats américains ne sont pas nécessairement transposables au Canada. Quelques évaluations canadiennes sont toutefois disponibles pour guider la prise de décisions relatives aux caméras portatives sur policiers au Canada. L’objectif du présent article est donc de proposer une revue de la portée (scoping review) de 28 études sur les caméras portatives menées au Canada entre 2010 et 2021 et ayant soulevé des enjeux de légitimité et d’efficacité de la police. Les constats sont divisés en trois sections distinctes : 1) les bonnes pratiques en matière d’utilisation des caméras portatives dans les organisations policières canadiennes ; 2) le contraste entre les attentes à l’égard de cet outil et son réel potentiel ; et 3) les enjeux et limites associés à cet outil. Alors que l’article met en lumière certains effets positifs des caméras portatives, une réflexion est entamée quant à leur plus-value à la lumière de leurs enjeux et limites.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.011 |
| Science and technology studies | 0.009 | 0.004 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".