L’effet de l’abolition du registre des armes longues sur les homicides au Canada: résultats d’une expérimentation naturelle
Bibliographic record
Abstract
Objectif : Le présent article évalue l’effet du registre québécois des armes longues (carabines et fusils de chasse) sur le taux d’homicides entre 1974 et 2021. Le Québec est la seule province à avoir maintenu l’enregistrement obligatoire des armes longues; cette disposition a été abolie dans les autres provinces, ce qui permet de mener une expérimentation naturelle. Méthodologie : Les données sur les homicides furent agrégées sur une base annuelle pour chaque province et pour les Territoires du Nord-Ouest, du Yukon et du Nunavut. Les auteurs ont estimé l’effet de l’abolition du registre pour chaque province à l’aide de la méthode des doubles différences. ils ont ensuite calculé une moyenne pondérée à l’aide des estimations individuelles. Résultats : D’après la moyenne pondérée, l’abolition du registre a été suivie d’une hausse graduelle et permanente du taux d’homicides par arme à feu au Canada (β = 0,06; IC à 95% : 0,02; 0,09). Cette hausse s’observe plus particulièrement pour les homicides commis au moyen d’une arme longue (β = 0,03; IC à 95% : 0,01; 0,05). Bien que les résultats des modèles divergent, le registre québécois semble avoir partiellement prévenu la hausse des homicides par arme à feu (β = −0,04; IC à 95% : −0,06; 0,00). Conclusion : Bien que le registre québécois semble relativement efficace, d’autres études devront être réalisées pour déterminer les mécanismes préventifs susceptibles d’être déployés par le registre.
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 | 0.012 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 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".