Bibliographic record
Abstract
La typologie est la science de l’élaboration des types permettant de faciliter l’analyse d’un phénomène complexe et d’en établir une classification. Dans cet ouvrage, l’auteure propose une nouvelle catégorisation des tueurs en série, un type de criminels bien connu du grand public, à partir des victimes que ceux-ci ont sélectionnées et du mode de prédation qu’ils ont préconisé. La notion de prédation est d’abord étudiée, car ce comportement particulier semble distinguer ces individus de l’ensemble de la population. L’auteure aborde ensuite 56 cas de tueurs en série sous l’angle de leurs caractéristiques et particularités, en relation avec le choix de leurs victimes. Par exemple, un chapitre est consacré aux cas de tueurs en série de prostituées, tels Arthur Shawcross et Gary Ridgway; d’autres chapitres abordent les cas de criminels s’attaquant à des femmes, des hommes ou des enfants puis à des victimes sans choix de sexe. Ces portraits s’appuient sur des recherches d’experts qui se consacrent à l’étude de la criminalité, plus particulièrement au phénomène des serials killers. À la lumière de ces données et à partir de la nouvelle catégorisation proposée, l’auteure suggère un modèle de classification des tueurs en série qui vient s’ajouter à ceux qui ont déjà été établis par des instances aussi prestigieuses que le Federal Bureau of Investigation (FBI). «Les tueurs en série dégoûtent et fascinent à la fois. Ici même on a eu notre part de meurtriers dont Léopold Dion et le Barbe-bleue québécois. L'auteur Mireille Thibault les a étudiés et nous les présente.» Entrevue avec Denis Lévesque, TVA
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.027 | 0.006 |
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".