Sévérité des sanctions et récidive criminelle : identification au moyen d'une reforme canadienne
Bibliographic record
Abstract
Dans ce mémoire, nous étudions l'impact du projet de loi C-10 (« Tough on Crime ») implanté par le gouvernement fédéral conservateur en 2012 sur le risque de récidive instantané de la population carcérale. Nous cherchons à déterminer si des peines plus sévères allongent ou réduisent le temps entre deux condamnations. À cet effet, ce mémoire met en œuvre un modèle de durée à risques proportionnels de type Cox. Les variables d'intérêt tiennent compte des caractéristiques individuelles des détenus, mais aussi de certaines conditions économiques et démographiques. Ainsi, par le biais de données fournies par le ministère de la Sécurité publique, nous construisons une base de données qui nous permet de prendre en compte pour l'âge de l'individu, son sexe, s'il est autochtone ou non, son score LS/CMI, le nombre de personnes à sa charge, le type de crime commis et son état civil, en plus du taux de chômage et du rapport des sexes dans la région de sa libération, au moment de celle-ci. Nous trouvons que la période qui suit la mise en place des politiques « Tough on Crime » est caractérisée par un taux de risque inférieur pour tous les groupes à l'étude. Cette diminution du taux de risque se traduit par une augmentation de l'espérance de la période de survie entre deux condamnations de 298 jours pour les hommes, de 243 jours pour les femmes et de 264 jours pour les autochtones. L'effet est plus faible pour les individus n'ayant pas reçu de peine de plus de six mois, mais est toujours positif, soit une hausse de 42, 40 et 114 jours pour les hommes, les femmes et les autochtones respectivement. L'augmentation de la sévérité des sanctions aura donc allongé le temps entre deux récidives dans le contexte québécois.
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 | 0.003 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".