MétaCan
Menu
Back to cohort
Record W4410404808 · doi:10.7202/1117820ar

Des règles aux pratiques : l’encadrement juridique du renseignement intérieur en Suisse

2025· article· fr· W4410404808 on OpenAlexvenueno aff
Tamara Constantin

Bibliographic record

VenueCriminologie · 2025
Typearticle
Languagefr
FieldSocial Sciences
TopicPolicing Practices and Perceptions
Canadian institutionsnot available
Fundersnot available
KeywordsPolitical science

Abstract

fetched live from OpenAlex

En 2017, la Loi sur le renseignement (LRens) légalise le recours aux moyens techniques de recherche d’informations dans le cadre d’enquêtes préventives menées en Suisse. En reconfigurant de façon élargie les missions du Service de renseignement de la Confédération, la loi est toutefois présentée comme respectueuse des libertés individuelles par un encadrement strict de ces investigations. Après avoir identifié les enjeux juridiques et politiques de cette mise en droit, cette contribution se propose d’en analyser la portée pratique. Suivant les mises en garde formulées par la sociologie des institutions, pour qui les règles de droit n’expliquent qu’en partie les pratiques effectives, nous suggérons un déplacement de l’analyse pour envisager le droit à partir du point de vue des personnes chargées de le mettre en oeuvre. À l’aide d’entretiens menés avec des fonctionnaires du renseignement, cette enquête révèle l’ambivalence de leur rapport au droit : tout en le percevant comme un vecteur de légitimation de leur activité, les agents et les agentes déplorent aussi des complications pratiques et la persistance de zones grises dans la loi. Ils admettent néanmoins s’en accommoder en s’appuyant sur les marges de manoeuvre que le droit autorise, en jouant avec les règles, ce qui met en évidence la pertinence d’analyser le droit et son effectivité par l’observation de la manière dont les acteurs et les actrices en font usage.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.767
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.001
Scholarly communication0.0000.000
Open science0.0010.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0020.000

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.

Opus teacher head0.336
GPT teacher head0.462
Teacher spread0.126 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same venueCriminologieSame topicPolicing Practices and PerceptionsFrench-language works237,207