Analyse des facteurs associés à l’achèvement des Programmes d’accompagnement justice et santé mentale du Québec
Bibliographic record
Abstract
Les tribunaux de santé mentale (TSM) visent à offrir des services adaptés, réduire la récidive pénale et favoriser la réinsertion sociale des personnes criminalisées et incarcérées vivant avec un trouble mental. Cependant, des études américaines montrent que leur efficacité dépend de l’achèvement des programmes. Au Québec, ces TSM ont pris l’appellation de Programme d’accompagnement justice et santé mentale (PAJ-SM). Basée sur un échantillon de 6 PAJ-SM et 516 participants, cette étude analyse l’effet de 30 variables indépendantes (caractéristiques des participants, objectifs ciblés, services reçus, conditions imposées et processus judiciaire) sur l’achèvement pour contribuer à l’avancement des connaissances sur ces programmes. Les résultats de modèles de régressions logistiques révèlent que les participants qui utilisent des services médicaux ou psychosociaux et des services de soutien à l’intégration sociale sont plus susceptibles de terminer le programme. Les délais entre les audiences PAJ-SM agissent comme modérateurs entre l’utilisation des services et l’achèvement des programmes. En clarifiant les éléments qui favorisent ou entravent l’achèvement, les résultats offrent des pistes de recommandations au sujet de l’encadrement et du soutien des participants.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".