Entre vulnérabilisation et revictimisation : les victimes de traite d'êtres humains face aux politiques nord-américaines
Bibliographic record
Abstract
En Amérique du Nord, la lutte contre la traite d'êtres humains s'avère d'une grande complexité. Les États doivent développer les stratégies nécessaires pour faire face aux multiples manifestations qui accompagnent le phénomène et exigent une approche holistique, interdisciplinaire et à long terme.\nLes stratégies nord-américaines de prévention de la traite comportent plusieurs lacunes qui vulnérabilisent certains groupes. Tandis que les mesures déjà en place s'attaquent peu aux causes premières du phénomène, plusieurs réformes essentielles afin de diminuer la vulnérabilité de ces personnes, notamment l'assouplissement des politiques migratoires restrictives, tardent à être implantées.\nParallèlement, les stratégies de protection présentent des lacunes qui augmentent les risques de revictimisation des victimes de traite d'êtres humains. D'une part, les autorités n'identifient pas adéquatement toutes les victimes. D'autre part, certaines victimes, bien qu'identifiées, se retrouvent sans protection, soit parce que celle-ci est accordée de façon conditionnelle, soit parce que les mécanismes d'assistance demeurent incomplets.
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 | 0.004 | 0.005 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| 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".