Claude Aubin, Le lansquenet solitaire Montréal, Éditions Textes et Contextes, 2014, 339 pages
Bibliographic record
Abstract
Malgré la multiplication des crimes massifs et de leurs victimes, ces sujets restent marginaux en criminologie, lorsqu'ils ne relèvent pas d'actes terroristes. Bien que les crimes de masse présentent toutes les caractéristiques nécessaires à leur inclusion dans le champ de la criminologie, ils restent étudiés majoritairement dans les disciplines historiques, sociologiques, psychologiques ou politiques. La présente analyse explore trois aspects qui peuvent être explicatifs du peu d'investissement du crime de masse comme objet en criminologie. Ces éléments, qu'ils soient d'ordre psychologique, épistémologique ou pratique, peuvent par ailleurs entraîner une approche disciplinaire du phénomène criminel massif qui s'éloigne de ses spécificités ou qui ne permet pas d'en explorer la globalité complexe. Le développement d'une criminologie de masse, propre à appréhender les réalités criminelles actuelles, représente pourtant un enjeu dans l'exploration des phénomènes mondiaux contemporains. En effet, l'augmentation des atteintes massives portées aux populations, partout dans le monde, doit amener les criminologues à se saisir de ces phénomènes et à développer des principes de prévention, construits sur des analyses conscientes des spécificités des crimes de masse et qui s'attachent à leur compréhension profonde.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.049 | 0.016 |
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".