Une technologie de surveillance pour prendre en charge les criminels violents dans la communauté et pour réduire la surpopulation carcérale
Bibliographic record
Abstract
De nombreux criminels violents sont moins dangereux qu’on ne le croit et pourraient être placés en milieu ouvert à la condition d’être bien surveillés. En effet, les proportions de récidives violentes au sein des sous-groupes de criminels violents sont aussi basses que 8 %. Les individus qui présentent un faible risque peuvent être identifiés, car la récidive est influencée par des facteurs de risque bien connus. Le contraire de la récidive, c’est-à-dire le désistement du crime, est loin d’être un phénomène marginal. Il s’explique par le retour à une vie familiale et professionnelle propice au respect de la loi, par l’âge et aussi par une décision revendiquée par le délinquant de se ranger. Comment, en probation, en libération conditionnelle, peut-on réunir les conditions favorables au désistement ? Les mesures de milieu ouvert actuelles ne réussissent pas mieux que la prison à éteindre la récidive. Ce constat a conduit des criminologues à rechercher d’autres solutions, notamment à sanctionner les probationnaires par des peines certaines, proportionnées et rapides. Avec des résultats inégaux. Les résultats de la surveillance électronique sont prometteurs. Cette technologie parvient à inciter les délinquants en probation et en libération conditionnelle à bien se conduire. Cependant, bien que complémentaires, les programmes utilisant le bracelet électronique sont rarement combinés à un régime de sanctions systématiques. Le dispositif proposé combinerait la surveillance électronique, le GPS et la téléphonie mobile pour savoir en tout temps où se trouve l’individu surveillé, ce qu’il fait, et s’il respecte les conditions qu’on lui aura imposées. Le non-respect de ces conditions serait sanctionné de manière rapide, probable et modérée. Parmi les conditions de la libération, on trouverait l’assignation à résidence ; la délimitation de zones interdites ; l’interdiction de fréquenter des débits de boissons. De cette manière, des individus ayant perpétré un crime violent dans le passé et présentant un risque modéré pourraient vivre en milieu ouvert tout en étant contrôlés de manière à ne pas menacer la sécurité des personnes.
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 | 0.011 | 0.019 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.007 |
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".