Libération conditionnelle, réinsertion sociale et récidive criminelle
Bibliographic record
Abstract
Cette étude se divise en deux parties distinctes. Dans la première, nous nous intéressons aux motifs pour lesquels plus de 50 % des détenus québécois choisissent de renoncer à leur droit de participer à une audience en vue d’une libération conditionnelle éventuelle. Cette décision est examinée à travers des régressions multivariées et des algorithmes d'apprentissage automatique, révélant que la renonciation est fortement influencée par les caractéristiques individuelles des détenus, leur profil criminogène et la nature du crime commis. L’analyse montre également que les détenus qui renoncent à une audience auraient probablement été soumis à des conditions plus strictes s'ils avaient été libérés sous condition, comparativement à ceux effectivement libérés. La seconde partie de l'étude se concentre sur la récidive criminelle des individus ayant bénéficié d'une libération conditionnelle « à la marge », c’est-à-dire pour lesquels l’octroi de la libération était surtout déterminé par l’historique des décisions des commissaires devant lesquels ils devaient se présenter. Pour ces individus, la libération conditionnelle diminue significativement le taux de récidive de plus de 8 points de pourcentage dans les cinq années suivant leur libération. La libération conditionnelle permet de réduire à la fois le temps d'incarcération actuel et futur de ces individus, tout en diminuant la probabilité de récidive.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".