Prévention, contre-prévention et analyse dâimpact : le cas du clonage de carte de débit
Bibliographic record
Abstract
Contexte et objectifs. Depuis plusieurs années, la criminalité économique génère des\ncoûts économiques et sociaux importants. Plusieurs acteurs, dont les entreprises privées, se sont mobilisés pour lutter contre ce phénomène. La fraude par carte de débit est un\ncrime économique en expansion contre lequel plusieurs organisations ont entrepris des\nactions. L’objectif de ce mémoire est d’améliorer les connaissances sur les effets des\nmesures de prévention situationnelle appliquées dans les succursales d’un commerce de\ndétail et leur impact sur le processus décisionnel des délinquants impliquées dans le\nclonage de cartes de débit.\nMéthodologie. Les effets des mesures de prévention mises en place sont évalués à l’aide\nd’analyses de séries chronologiques interrompues. En complément des analyses\nstatistiques, des entrevues et une analyse documentaire sont effectuées. Les entrevues\nsont réalisées avec des enquêteurs du service de sécurité de l’entreprise de commerce de\ndétail. L’analyse documentaire est basée sur les rapports d’événement ouverts lors des\nfraudes par carte de débit.\nRésultats. Les mesures de prévention ont produit différents effets. Selon la mesure, il\nfut possible de constater soit une hausse ou une baisse dans le nombre de délits commis.\nCertaines mesures ont, en outre, provoqué un déplacement spatial, un déplacement dans\nle choix de la cible, un déplacement dans le type de crime commis et, finalement, un\ndéplacement tactique.\nConclusion. Les résultats suggèrent que les mesures de prévention adoptées ont\nempêché la réalisation des délits associés à la fraude par carte de débit. Par contre, la\nprésence de plusieurs formes de déplacement indique que les fraudeurs se sont adaptés\naux mesures de prévention. Afin de documenter adéquatement cette forme de crime et\nles déplacements générés, d’autres études s’avèrent nécessaires.
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 | 0.013 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.026 | 0.003 |
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".