La perspective des scripts appliquée aux homicides et implications pour les enquêtes criminelles
Bibliographic record
Abstract
Contexte et objectifs. Plusieurs études sur lâhomicide ont été réalisées avec lâobjectif dâépauler les policiers lors de leurs enquêtes. Le lien entre lâagresseur et la victime représente le principal déterminant des types de meurtres. Lâutilité de ces études a toutefois été remise en question tant par les policiers que par la communauté scientifique. En combinant la perspective du script et lâapproche dimensionnelle, le but du présent mémoire est dâaméliorer les connaissances sur le processus de commission de lâhomicide.\nMéthodologie. Différents scripts de lâhomicide seront proposés afin de reconstituer le processus de commission du crime et de mieux comprendre les dynamiques expressives et instrumentales qui y sont rattachées. Les données utilisées dans le cadre de la recherche ont été recueillies auprès de 100 dossiers dâhomicide de femmes et dâenfants répertoriés entre 1988 et 2011.\nRésultats. Les scripts permettent de dresser divers constats. Tout dâabord, lorsque la victime a subi dâimportants sévices, le meurtrier est généralement un proche, indépendamment du motif initial de lâagresseur (p. ex. commettre un vol ou tout simplement tuer la victime). La sévérité des sévices dépend également de la présence dâarmes sur les lieux du crime et du degré de résistance de la victime. Finalement, les scripts ont démontré que la nature de la relation entre la victime et lâagresseur influence le lieu où le meurtre prend place.\nConclusion. Les résultats obtenus sâinscrivent dans une perspective différente en ce sens où, sans négliger la question de la personnalité, des variables contextuelles, hors du contrôle de lâagresseur, ont une incidence sur le niveau de sévices infligé à la victime. Le profile pourrait dès lors intégrer des aspects situationnels afin de pister les enquêteurs.
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".