An analysis of migratory patterns and social network chains, ties, and bonds in human trafficking: Australia, Britain, Canada, and the United States, 2006-2011
Bibliographic record
Abstract
La recherche concernant le trafic de personnes révèle aujourd’hui certaines limites. Tout d’abord, il existe peu de recherches empiriques qui focalisent spécifiquement sur l’analyse des occurrences d’incidents concernant les trafics de personnes. De plus, rares sont les études concernant ce trafic qui se démarquent de la traditionnelle dichotomie homme/femme du contrevenant et de la victime. Les investigations de données désagrégées des personnes et des circonstances demeurent rares. Par conséquent le qui fait quoi à qui et à quelle fréquence n’est pas très clair. Ceci est problématique parce que les tendances actuelles des recherches sur le trafic affectent le sens de la législation supposée combattre le trafic, et une recherche inadéquate peut mener à une législation inadéquate. Il est essentiel de comprendre les acteurs du trafic de personnes pas seulement dans leur genre, mais également par leurs actions, leurs parcours, et les réseaux qui causent leur présence dans cette économie clandestine. Mon objectif n’est pas de faire des vagues irrévérencieusement, mais de démontrer que les zones grises sont bien trop larges pour continuer les appels à lutter contre ce trafic sans comprendre la logistique et les motivations qui existent derrière ces agissements. Cet exposé se base sur 6 années (2006-2011) de dossiers juridiques de l’Australie, la Grande Bretagne, le Canada et les Etats Unis pour tenter de comprendre comment fonctionne le trafic de personnes sur le plan transnational et régional. En se focalisant sur l’influence des réseaux et des contraintes et liens sociaux, cet exposé traite les nuances du trafic de personnes dans la mesure où les relations entre victimes et contrevenants sont formées et utilisées dans le but même de déclencher l’acte du trafic. Les analyses sont de deux ordres: premièrement, des statistiques descriptives sont réunies dans le but de créer une analyse focalisée sur les particularités des cas observés dans le périmètre de cette étude; et, deuxièmement, l’analyse des réseaux sociaux (ARS) est utilisée pour mieux comprendre les dynamiques du pouvoir au sein des réseaux de trafic de personnes. La structure des réseaux de trafic de personnes est examinée sur la base du genre du contrevenant, et les poursuites sont traitées dans la comparaison de l’influence au sein du réseau et la durée de la peine imposée. Le but de ces deux flux d’analyses est de traiter comment le cas échéant, le genre d’un trafiquant affecte son pouvoir et son influence au sein des réseaux de trafic, mais également d’investiguer sur les systèmes d’application de la loi et la justice pénale et comment ils traitent le problème du trafic des personnes. Les conclusions indiquent qu’en matière de pouvoir et d’influence au sein d’un réseau de trafic, le genre importe peu: Il y a peu ou pas de différence entre le degré de centralités des hommes et femmes au sein des réseaux. De plus, les résultats indiquent que les trafiquants et les victimes de trafic sont le plus souvent de même origine: cela veut dire qu’être un migrant a son importance dans la mesure où la personne est susceptible de pouvoir aussi bien être un trafiquant qu’une victime de trafic. Un individu est plus susceptible d’être victime de trafic par quelqu’un de sa propre communauté, qu’il s’agisse de trafic transnational ou régional. Cet exposé souligne l’importance de la question non encore traitée de l’impact des réseaux sociaux et de la migration sur la commission de l’infraction du trafic.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".