STOPMTL.ca: Rapport préliminaire 2023
Bibliographic record
Abstract
Le projet stopmtl.ca utilise une méthodologie de cartographie participative pour permettre aux individus de signaler leurs expériences d’interpellation policière dans la ville de Montréal, au Canada. Entre le 14 juillet 2021 et le 21 décembre 2021, un total de 714 expériences d’interpellation par la police a été reporté sur le site Web stopmtl.ca. Parmi ces contributions, environ 28 % (N = 197) ont été exclues en raison d’une erreur de programmation qui a entraîné la duplication des cas. Parmi les autres contributions (N = 517), 21 % étaient soupçonnées d’être des fausses données et 7 % ont été exclues en raison de données manquantes. Au total, 369 expériences d’interpellation par la police ont été retenues (71 %). Une analyse descriptive des données suggère que la plupart des interpellations par la police ont été signalées par des hommes (74 %), des personnes s’identifiant comme étant blanches (55 %), hétérosexuelles (70 %) et âgées de 19 à 24 ans (27 %). L’identité racioethnique noire était la deuxième identité racioethnique la plus fréquente (17 %). En termes de distribution spatiale, les interpellations ont été rapportées comme se produisant le plus fréquemment dans les arrondissements de Côte-des-Neiges (13 %) et de Ville-Marie (12 %) à Montréal. Près de la moitié des interpellations signalées ont eu lieu en 2021 (49 %), et le plus souvent pendant les mois d’été (mai-août) (65 %), avec un pic en juillet (33 %). La plupart des interpellations ont eu lieu pendant que les personnes étaient dans leur véhicule (42 %) ou en marchant (23 %). Les répondants pouvaient identifier plusieurs raisons pour lesquelles ces derniers pensaient avoir été arrêtés. La raison la plus fréquemment citée était ce que faisait la personne (39 %), suivie de son apparence (30 %). Des proportions à peu près égales d’interpellations policières ont été considérées comme justifiées (41 %) et non justifiées (43 %). Il existe plusieurs similitudes entre les caractéristiques des expériences d’interpellation policière autodéclarées sur stopmtl.ca et les interpellations enregistrées par la police dans la ville de Montréal. En particulier, il semble y avoir une distribution spatiale comparable des interpellations dans les deux jeux de données, ainsi que des indications d’une distribution sociale comparable (par exemple, le genre, l’âge et l’identité racioethnique des personnes interpellées). Cependant, les données sur les expériences d’interpellations autodéclarées sont limitées à plusieurs égards. En particulier, pour les interpellations autodéclarées pour lesquelles on dispose des données indiquant si le répondant a reçu une sanction à la suite de son interpellation (c’est-à-dire une amende, une arrestation ou une mise en accusation) (N = 129), 42 % ont déclaré que leur interpellation a donné lieu à une sanction. Cela limite la capacité d’établir des similitudes entre les données autodéclarées et les données enregistrées par la police (qui excluent toutes les interpellations menant à une sanction). Bien que des critères aient été appliqués pour exclure les données suspectées d’être fausses, il n’est pas possible d’établir la véracité des interpellations autodéclarées. Néanmoins, ces résultats descriptifs préliminaires donnent un aperçu des personnes qui ont rapporté leurs expériences d’interpellations et des types d’interpellations qui ont donné lieu à ces rapportages. En outre, les données donnent un aperçu de la perception qu’ont les citoyens de leurs expériences d’interpellation par la police. Les futures directions de la recherche, y compris des analyses de validation et une deuxième vague de collecte de données, sont discutées.
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 | 0.018 | 0.070 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.013 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.073 | 0.023 |
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".