Analyse pancanadienne des systèmes d’enquêtes indépendantes sur la police
Bibliographic record
Abstract
Depuis quelques décennies, le monopole des organisations policières sur le contrôle des déviances de leurs membres a été remis en question, conduisant à la création des systèmes d’enquêtes indépendantes sur la police (SEIP). Ces dispositifs visent à assurer une plus grande transparence et indépendance dans la gestion des comportements déviants au sein des forces de l’ordre. Cette étude, adoptant une perspective comparative pancanadienne et combinant une analyse documentaire à des entretiens avec des acteurs-clés du domaine, questionne la pertinence des typologies existantes, qui ne rendent pas compte de la complexité des SEIP. En effet, ces typologies reposent principalement sur une approche réactive des déviances policières, négligeant les efforts de prévention. Par ailleurs, elles omettent un facteur essentiel : l’écart entre les pouvoirs légaux théoriques et les ressources réelles (humaines, financières, administratives). Les résultats mettent en évidence des défis structurels affectant l’ensemble du système, notamment des délais prolongés dans le traitement des plaintes et une indépendance souvent compromise, ce qui nuit à la confiance du public. Ces constats conduisent à deux pistes de réforme majeures pour améliorer l'efficacité du système : le renforcement des stratégies de prévention et un recours élargi aux modes alternatifs de règlement des différends, notamment la médiation.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 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".