Cadrage des modèles de régulation du cannabis : entre concurrence et complémentarité
Bibliographic record
Abstract
Contexte et objectif : Au cours de la dernière décennie, une vague sans précédent de légalisations du cannabis a eu lieu. Plusieurs travaux sur cet enjeu s’intéressent à sa dimension réglementaire, dans une démarche favorisant le débat sur les meilleurs moyens d’encadrer la production, la vente et la consommation de cannabis. Un nombre plus restreint d’études s’intéresse aux discours entourant la légalisation du cannabis. Parmi ces dernières, aucune à notre connaissance ne tente de raccrocher l’analyse du discours aux conceptualisations de son encadrement. Cet article a pour objectif de combler cette faille. Question de recherche et méthodologie : Nous posons la question de recherche suivante : comment diverses visions de la réglementation du cannabis se reflètent-elles dans les discours entourant les politiques de légalisation du cannabis ? Pour répondre à cette question, nous procédons à l’analyse comparative de cadrage des débats parlementaires et des mémoires en commissions au Québec (projet de loi no 2) et en Ontario (projet de loi no 36) lors de la reformulation de leur politique initiale de légalisation. La grille d’analyse de cadrage est formée à partir d’une typologie des modèles de régulation du cannabis proposée par Beauchesne (2020). Résultats et implications : Nous montrons en premier lieu que la nature des cadres utilisés et les modèles types de la régulation dont ils témoignent varient en fonction des cas d’étude et des acteurs en présence. Nous montrons en second lieu que plusieurs modèles de régulation sont mobilisés au sein des discours de manière à la fois concurrente et complémentaire. En somme, l’article permet de souligner en quoi le cadrage des politiques en matière de drogues est de nature stratégique, dans un espace de débats où plusieurs visions de l’enjeu tentent de prévaloir.
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 | 0.019 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.008 | 0.045 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.008 | 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".