La dynamique de la déviance : comparaison entre les trajectoires de vie de délinquants et de joueurs excessifs
Bibliographic record
Abstract
Cette thèse de doctorat explore les trajectoires de deux types de déviance, celle de joueurs excessifs (N=100) et celle de délinquants (N=172). Le questionnaire utilisé dans chacun des cas possède un important volet destiné à recueillir des renseignements de manière chronologique par différentes thématiques; la méthode des calendriers d’histoire de vie. L’intérêt d’une analyse de calendrier est qu’elle permet de tenir compte des changements ponctuels de comportement et d’évaluer les effets à court terme de la prise en charge des sujets au cours de leur carrière déviante. La démonstration se base sur trois dimensions des trajectoires : l’intensité de l’engagement, les épisodes d’abstinence volontaire et les épisodes de rechutes. Le résultat majeur de ma thèse montre que les circonstances de vie (facteurs dynamiques) rendent bien compte des dimensions des trajectoires alors que les caractéristiques des individus (facteurs fixes ou statiques) ont souvent très peu de force explicative. Une analyse attentive des effets indirects montre la pertinence de continuer à s’intéresser à ces facteurs. En effet, l’impact des caractéristiques dynamiques est souvent conditionnel à certaines variables statiques.\n\nAucune étude, tant américaine que canadienne, ne s’est penchée sur la dynamique des trajectoires de joueurs excessifs. Le troisième chapitre examine les fluctuations mensuelles des sommes englouties dans les jeux de hasard et d’argent. On s’efforce de comprendre ce qui incite les joueurs à dépenser davantage certains mois et moins à d’autres. Une attention particulière est aussi consacrée aux mois où les joueurs cessent de participer aux jeux de hasard et d’argent et aux facteurs qui favorisent cette abstinence provisoire. \n\nLe quatrième chapitre se concentre sur les trajectoires de délinquants. Dans ce cas-ci, la performance criminelle, les revenus illégaux mensuels, mesure l’intensité de l’engagement criminel. On s’intéresse dans ce chapitre aux conditions régissant à la fois les épisodes de réussite criminelle et les épisodes concomitants de désistement temporaire. \n\nLes mesures « officielles » de récidive (nouvelle condamnation, nouvelle entrée en thérapie) présentent un problème de chiffre noir (les rechutes effectives sont plus nombreuses que les rechutes connues des autorités officielles). L’intérêt du chapitre cinq est de miser sur une analyse autorévélée des rechutes et du « moment » où ces rechutes se produisent. Le deuxième objectif de cette étude est de comparer les épisodes de rechutes dans ces deux trajectoires de déviance. La logique de ce chapitre suit celles des précédents, on s’intéresse à la dynamique qui entoure ces épisodes, on se demande si elle est similaire au sein des deux trajectoires déviantes.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".