Le Commissaire à la déontologie policière du Québec : qu’est-ce qui influence le processus de traitement des plaintes citoyennes ?
Bibliographic record
Abstract
Au Québec, les policiers occupent des fonctions définies par la loi et doivent respecter des normes déontologiques claires prescrites par le Code de déontologie des policiers du Québec. Le système de contrôle civil créé en 1990 se compose de deux instances : le Commissaire à la déontologie policière, qui reçoit les plaintes citoyennes, et le Comité de déontologie policière, tribunal administratif qui statue si des policiers ou policières ont eu une conduite dérogatoire au Code de déontologie des policiers du Québec et impose une sanction, s’il y a lieu. Le présent article vise à exploiter des données qui n’ont jamais été mises à disposition de chercheurs universitaires sur l’influence que peuvent avoir des facteurs légaux et extra-légaux sur le cheminement d’une plainte au Commissaire à la déontologie policière du Québec. Un échantillon de 202 plaintes a été codifié à partir des 2 138 plaintes pour l’année 2019-2020. Les analyses bivariées et multivariées menées indiquent qu’aucun motif de discrimination parmi ceux étudiés ne semble influencer la décision initiale du Commissaire. Or la nature et la précision de la plainte, tout comme la présence de témoins non policiers au moment de l’intervention, sont des facteurs associés à son acceptation. Ainsi, bien qu’il semble, selon les résultats obtenus, que le traitement initial d’une plainte en déontologie policière ne soit pas influencé par des motifs de discrimination, nous discutons dans notre article les implications de ces résultats à la lumière de leurs répercussions sur l’accessibilité du système pour la population. Pour aller plus loin, il serait intéressant de systématiser la collecte d’informations provenant des plaintes en déontologie policière, qu’elles progressent dans le système ou non.
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 | 0.005 | 0.020 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.005 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".