Deuxième rapport sur la violence commise et subie par les jeunes de l'agglomération de Montréal
Bibliographic record
Abstract
L’analyse des actes de violence commis et subis par les jeunes demeure un sujet important, car les jeunes constituent le segment de la population le plus à risque d’être impliqué dans des situations de violence. C’est pourquoi le Laboratoire en sécurité urbaine (LabSU) du Centre international pour la prévention de la criminalité (CIPC) a intégré dans son deuxième rapport sur la violence commise et subie par les jeunes dans l’agglomération de Montréal l’analyse des répercussions de la pandémie de COVID-19, les actes de cyberviolence et les actes de violence armée. De nombreux actes de violence impliquant de jeunes victimes et auteurs présumés ont été perpétrés dans les villes et arrondissements de l’agglomération de Montréal en 2022. En réaction à ces nombreux épisodes de violence armée, le sentiment d’insécurité à Montréal devient un enjeu de plus en plus prégnant dans le discours médiatique. Néanmoins, d’après les données dont nous disposons, nous pouvons affirmer qu’en 2022 la région métropolitaine de Montréal peut encore être jugée sécuritaire. En effet, même si l’indice de gravité de la criminalité (2021) de la métropole québécoise s’élève à 55,9 (un taux plus élevé que celui de Toronto qui s’élève à 45,5), elle demeure loin derrière Vancouver, l’autre grand centre urbain canadien, qui affiche un taux de 81,6 (Statistique Canada, 2021b, p. 73). En revanche, le taux d’homicides de 1,11 par 100 000 habitants (2021) de Montréal est nettement en deçà de la moyenne canadienne, qui s’élève à 2,06 (Statistique Canada, 2022).
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.008 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.000 |
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".