Article court : La construction des savoirs policiers spécialisés : le cas des techniciens en identité judiciaire du Québec
Bibliographic record
Abstract
Au cours de leur carrière, les policiers ont l’opportunité de s’orienter vers diverses spécialisations propres à la fonction policière, dont les services d’identité judiciaire, c’est-à-dire les unités regroupant les policiers spécialisés responsables de l’inspection et l’investigation des scènes d’incident. Cette fonction particulière requiert des savoirs distincts des savoirs policiers plus traditionnels dans la mesure où elle implique une connaissance des principes physicochimiques de transfert et de persistance de la matière propres à la science forensique. Nous en savons toutefois toujours peu sur la façon dont les techniciens en identité judiciaire acquièrent de tels savoirs et sur la façon dont ils valorisent ceux issus de la formation (savoirs explicites) et ceux issus de la pratique (savoirs tacites). La présente étude cherche dès lors à explorer les processus de construction des savoirs spécialisés pertinents à l’inspection des scènes d’incident par les techniciens en identité judiciaire du Québec. Les résultats suggèrent la primauté marquée de l’apprentissage expérientiel et de la socialisation professionnelle informelle sur l’apprentissage formel pour les techniciens en identité judiciaire. De tels résultats invitent en ce sens à approfondir encore davantage les véritables mécanismes de construction des savoirs et leurs effets sur les croyances et performances des techniciens en identité judiciaire.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.017 | 0.010 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".