Gestion punitive de l’itinérance durant la pandémie
Bibliographic record
Abstract
Les personnes en situation d’itinérance (PSI) qui tentent de (sur)vivre dans les espaces publics vivent une judiciarisation accrue ainsi qu’un contrôle punitif qui se manifestent aussi dans les espaces de soins. Les intervenant·e·s de première ligne, dans les refuges ou dans la rue, ont des contacts fréquents avec la police. Les pratiques de profilage social et de contrôle punitif exercées sont largement documentées, mais des lacunes subsistent quant aux impacts de la pandémie de COVID-19 pour les intervenant·e·s et leurs usager·ère·s. Notre article rend compte d’une étude de cas menée à Montréal, fondée sur 43 entrevues semi-structurées portant sur les constats d’infraction liés aux mesures sanitaires, les campements et les agent·e·s de sécurité dans les refuges. En nous inspirant de la criminologie des crises ainsi que des études sur la gestion de l’itinérance, nous analysons les défis et les stratégies que les travailleur·euse·s de première ligne utilisent pour résister aux approches punitives. Notre étude aide à clarifier les conséquences de la gouvernance des espaces publics et de services durant la pandémie pour les intervenant·e·s et leurs usager·ère·s. Elle participe à une meilleure compréhension de la violence juridique, du contrôle punitif et de l’exclusion des populations marginalisées, tout en portant une attention particulière à la résilience du milieu communautaire et des intervenant·e·s de première ligne.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".