Facteurs associés à l’aveu d’agresseurs sexuels lors d’entrevues d’enquête
Bibliographic record
Abstract
À ce jour, peu est encore connu sur les facteurs individuels, délictuels et situationnels permettant de prédire l’aveu d’agresseurs sexuels. Ceci pose particulièrement problème sachant que leur taux d’aveu est plus faible que les auteurs d’autres crimes et que cet aveu constitue souvent la seule preuve de culpabilité à leur égard. Une étude de cas-témoins a été privilégiée afin (1) d’identifier les facteurs associés à l’aveu et (2) d’en établir un modèle multivarié permettant de mieux comprendre la passation à l’aveu d’agresseurs sexuels en contexte d’entrevue d’enquête. Soixante-dix-huit hommes adultes ayant été reconnu coupables d’agression sexuelle ont été recrutés au Centre régional de réception, un établissement correctionnel fédéral situé au Québec (Canada), et divisés en deux groupes (c.-à-d. confesseurs vs non-confesseurs). Les résultats obtenus sont les premiers à mettre en valeur l’apport que peuvent avoir les facteurs situationnels relatifs à l’enquête (p. ex. type de preuve, consultation d’un avocat, cadre physique de l’interrogatoire) dans l’aveu d’agresseurs sexuels spécifiquement. Les résultats appuient également le fait qu'une approche intégrée de l'aveu, c’est-à-dire qui tiendrait à la fois compte des facteurs individuels, délictuels et situationnels, est à favoriser afin de mieux comprendre ce qui pousse les auteurs d'agressions sexuelles à avouer en contexte d'entrevue d'enquête. Les modèles de régression obtenus et leurs facteurs explicatifs seront discutés en lien avec leur incidence sur les pratiques policières en contexte d’entrevue d’enquête.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 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".