La socialisation dans la police militaire de Bahia au Brésil
Bibliographic record
Abstract
À partir de 15 entretiens avec des policiers de la police militaire de Bahia, au Brésil, nous avons analysé les discours qui fondent la réalisation d’homicides en tant que partie intégrante du travail de cette organisation. Nous avons tout d’abord identifié l’importance de la socialisation au sein de la culture policière, à travers l’apprentissage de discours favorables à l’acte de tuer. Nous avons souligné, à partir du discours des policiers interrogés, la présence d’une culture de la « coupure » selon laquelle l’acte de tuer est valorisé en tant que compétence policière dès l’entrée dans la corporation, à travers leur formation dans les académies de police et le contact avec les anciens membres du corps policier. Cette culture se manifeste dans les perceptions des policiers, c’est-à-dire dans la manière dont les interviewés semblent apprécier une organisation composée de « guerriers » militarisés, tout en dévalorisant les représentations associées à une réorientation des pratiques policières conformément aux droits de la personne. Nous soutenons que cette culture est une condition de possibilité de la pratique des exécutions sommaires par les policiers qui considèrent l’acte de tuer comme justifiable.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.009 | 0.005 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".