Quels sont les facteurs menant à la consommation de services sexuels rémunérés dans un contexte touristique à lâétranger? : le cas du tourisme sexuel au Mexique
Bibliographic record
Abstract
Il a été montré que l’Homme a un penchant latent à poser des gestes prohibés qui sont contrôlés par les normes formelles et informelles de sa communauté. Si nous sortons un individu de sa communauté sera-t-il plus enclin à poser ces gestes? C’est cette situation que le présent mémoire cherche à exposer. Nous visons à comprendre le processus menant à la consommation de services sexuels rémunérés dans un contexte touristique à l’étranger par l’étude du tourisme sexuel au Mexique. Nous cherchons à définir les facteurs qui motivent, ou du moins favorisent ce type de consommation dans un tel contexte.\nPour rendre compte de ces facteurs, nous utilisons un corpus de données composé de commentaires publiés par des touristes sexuels sur un forum de clavardage, se\ntrouvant sur la Toile, et de données existantes. Nous analysons ce corpus de\ndonnées par une combinaison théorique de l’intersectionnalité et du contrôle social.\nPrécisément, nous analysons les commentaires seuls afin de rendre compte des motivations des touristes à pratiquer le tourisme sexuel, puis nous analysons les données existantes en établissant des liens avec les commentaires publiés pour connaitre les facteurs qui permettent aux touristes cette pratique.
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.005 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
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".