Bibliographic record
Abstract
Les premières recherches sur le phénomène de la négligence envers les enfants ont conclu que les familles concernées étaient les plus pauvres parmi les pauvres, et ce constat s’est répété systématiquement depuis. Cependant, cette dimension de la problématique de la négligence a été peu approfondie dans les recherches et dans les guides d’intervention. Les raisons du lien entre la pauvreté et la négligence et les implications concrètes de ce lien pour l’intervention sont rarement abordées et très peu développées dans les travaux. L’article vise à regrouper les données de recherche et les réflexions des auteurs sur cette question. Il précise le concept de pauvreté en fonction des dimensions retenues dans les recherches et note les dimensions de ce concept qui exercent une influence particulière sur le risque de négligence. Il décrit ensuite les différentes interprétations possibles du lien entre la pauvreté et le risque de négligence et leurs implications pour la programmation et l’intervention. Compte tenu de l’importance qu’occupe la pauvreté dans la problématique de la négligence, on peut conclure qu’une intervention directe ou indirecte sur ce facteur apparaît incontournable si l’on vise, avec une efficacité minimale, à diminuer les taux de négligence sans cesse croissants.
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 | 0.008 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.015 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| 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".