Les mauvais traitements psychologiques envers les enfants, pourquoi et comment en tenir compte dans la pratique en centre jeunesse
Bibliographic record
Abstract
Ce n’est que depuis juillet dernier, depuis l’entrée en vigueur du projet loi 125 modifiant l’actuelle loi québécoise de la protection de la jeunesse, que les mauvais traitements psychologiques envers les enfants sont spécifiquement reconnus comme un motif recevable de signalement. Pourtant, la question préoccupe depuis plusieurs dizaines d’années les chercheurs et les cliniciens dans le domaine, au Québec comme partout en Amérique du Nord. Ce retard est dû en partie aux nombreuses controverses ayant entouré ce concept, qui ont grandement complexifié le développement des connaissances, et bien sûr à la nature même des mauvais traitements psychologiques, qui sont assurément plus difficiles à dépister que les autres formes de maltraitance envers les enfants. Ce dépistage est d’autant plus difficile que les impacts négatifs de ces mauvais traitements ne sont pas toujours apparents à court terme. Le présent article fait le point sur les controverses mentionnées et sur les concensus émergeants, sur l’ampleur du phénomène au Québec et au Canada, et sur ses impacts connus. Suivront la présentation du Guide de soutien à l’évaluation du risque de mauvais traitements psychologiques envers les enfants (Malo & Gagné, 2003) récemment élaboré à l’IRDS, de même que la présentation de la formation connexe. Finalement, il sera question des écueils relatifs à la diffusion de cet outil et des perspectives de développement.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".