Bibliographic record
Abstract
Les sociétés contemporaines se caractérisent par de constantes transformations et évolutions technologiques et les forces de sécurité publique n’échappent pas à ces changements. Les enquêteurs policiers, notamment, doivent porter de plus en plus d’attention aux technologies numériques dans le cadre de leur fonction afin de répondre le plus efficacement aux besoins en matière de criminalité technologique. Pour cette raison, de nouvelles formations sont mises en place au Québec et d’autres sont revues afin de mieux outiller les enquêteurs policiers à l’égard des nouvelles technologies. Dans cet article, des réflexions sont exposées afin de mieux comprendre le contexte de formation des enquêteurs policiers québécois. Tout d’abord, différents enjeux des technologies en enquête sont examinés en portant un regard critique sur le contexte québécois et en s’appuyant sur des concepts développés dans le champ des études sur la prise de décision. Ensuite, un portrait des différents types de formations actuellement disponibles et pertinents pour les enquêteurs policiers du Québec est dressé. Enfin, une série d’enjeux relatifs à la formation et au contexte opérationnel est expliquée de manière à permettre, en conclusion, une réflexion visant à améliorer l’offre de formation des policiers et à moderniser les pratiques d’administration de la justice.
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 | 0.009 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.010 | 0.015 |
| Scholarly communication | 0.017 | 0.008 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".