Les drogues et les questions criminelles : bilan de la recherche québécoise
Bibliographic record
Abstract
Bien que la recherche sur le lien entre les drogues et la criminalité ne constitue pas une préoccupation majeure chez beaucoup de chercheurs québécois, les cinq dernières années ont vu un nombre croissant d'études sur ce thème. Ces études peuvent se regrouper en quatre axes : 1) les politiques criminelles ; 2) les études de prévalence ; 3) laI relation drogue-crime et 4) l'intervention et son impact. Les résultats de ces enquêtes ont apporté des pressions supplémentaires pour un traitement adéquat des personnesI toxicomanes éprouvant des problèmes avec la justice. Les intervenants des centres de réadaptation ont alors constaté qu'ils rencontraient un bon nombre de toxicomanes qui avaient déjà eu des démêlés avec la justice, ou qui en avaient au moment de leur traitement. Néanmoins, une grande proportion des personnes toxicomanes judiciarisées ne semblent pas encore rejointes par les services de réadaptation : ce sont elles qui présentent le profil bio-psycho-social le plus détérioré. De toute façon, la simple judiciarisation d'une personne ne dit rien sur ses traits de caractère (e.g. violent, menteur ouI fraudeur) ou sur sa psychopathologie (e.g. psychopathe, sociopathe). Vu la nature illicite de certaines drogues, le simple fait de consommer peut entraîner la criminalisation.I Le défi de la recherche consistera à mieux cerner les facteurs reliés à la persévérance auI traitement ou aux ingrédients thérapeutiques associés à l'impact désiré.
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 | 0.014 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".