Des joueurs sous écrou : Jeux d’argent, carrière déviante et criminalité dans la population carcérale française
In Congrès de l’association française de sociologie, RT3 normes, déviances et réactions sociales
Abstract
La pratique des jeux d’argent est sans doute l’activité ludique la plus contrôlée qui soit, notamment parce qu’elle est associée à des problèmes d’addiction, de délinquance et de criminalité. En effet, si le développement actuel des jeux d’argent contribue à la banalisation de cette pratique, elle n’en demeure pas moins considérée comme potentiellement néfaste voire condamnable, au point de conduire directement ou indirectement certains joueurs en prison. L’enquête de terrain que nous avons menée avec les populations carcérales de deux établissements pénitentiaires franais, permet d’abord de relativiser la place que le jeu occupe dans la trajectoire biographique des joueurs détenus, celui-ci étant le plus souvent peru comme une activité récréative et socialisatrice (y compris en détention). En revanche, une proportion non négligeable d’entre eux considèrent que cette pratique a déjà provoqué dans leur vie des probl èmes d’addiction et que ces probl èmes ont un lien direct ou indirect avec le motif de leur incarcération. Grâce aux entretiens réalisés avec ces derniers, nous découvrirons comment ce lien se noue et se dénoue dans la construction de leur récit de vie en tant que joueurs, tout en cherchant à saisir les conditions d’entrée dans ce type de carrière déviante.
L’engagement monétaire des joueurs amateurs de poker : Analyse sociologique d’une pratique intensive, mais " ordinaire " du jeu d’argent
In Loisir et Société / Society and Leisure
Abstract
Sans nier les risques de dépendance associés à la pratique des jeux d’argent, notre étude se fonde sur une enquête par questionnaire ethnographique menée auprès de joueurs amateurs de poker ayant une pratique relativement intensive mais limitée du jeu. à travers une analyse approfondie des données de cette enquête, nous avons d’abord cherché à mesurer l’intensité puis l’évolution de leur pratique en termes de mises, en ligne ou en live. Puis, nous avons confronté leur investissement à l’intérieur du jeu aux conditions d’existence et aux ressources dont ils disposent en dehors du jeu, au regard de leur genre, de leur diplôme et de leur catégorie socioprofessionnelle. Observant des disparités importantes dès leur initiation au jeu, nous avons alors découvert que les joueurs interrogés avaient progressivement tendance à réguler leur engagement monétaire en fonction de leurs conditions d’existence et des habitudes de mises de leur communauté de pratique.
Les "petits coins" à l’école. Genre, intimité et sociabilité dans les toilettes scolaires
In
Abstract
Que se passe-t-il dans les toilettes des établissements scolaires, de l’école maternelle au lycée ? À partir d’enquêtes qualitatives, ce livre apporte un éclairage inédit sur le vécu des enfants et des jeunes dans ces “petits coins” de l’école et ce qu’il s’y joue, notamment en termes de relation adultes/enfants, de construction d’un rapport à soi, aux autres et de genre. Selon qu’ils sont “filles” ou “garons”, “grands” ou “petits”, comment les enfants se représentent-ils les toilettes scolaires et quels usages en ont-ils ? Comment investissent-ils (ou pas) ces lieux ? à mesure qu’ils grandissent, que les portes se ferment, que des murs s’élèvent et que la possibilité leur est offert de se retrouver seuls à l’abri du regard des autres, comment les enfants occupent-ils ces espaces collectifs et individuels, clos et ouverts ? Comment ceux-ci contribuent-ils à construire des corps, dans leur rapport à l’intimité et à l’autre, en tant que fille ou garon ? Comment les enfants et les jeunes s’y rencontrent-ils et quelles sociabilités peuvent-ils y développer à l’abri du regard des adultes ? La question du genre se révèle bien évidement centrale, dans ce lieu qui, à partir de l’école élémentaire, devient le seul espace “non mixte” dans la plupart des établissements scolaires mixtes.
Gradients intégrés renforcés
In Explain’AI - EGC workshop
Abstract
Les visualisations fournies par les techniques d’Intelligence Artificielle Explicable xAI) pour expliquer les réseaux de neurones convolutionnels (CNN’s) sont parfois difficile á interpréter. La richesse des motifs d’une image qui sont fournis en entrées (les pix l d’une image) entraîne des corrélations complexes entre les classes. Les techniques basées sur les gradients, telles que les gradients intégrés, mettent en évidence l’import nce de ces caractéristiques. Cependant, lorsqu’on les visualise sous forme d’images, on peut e retrouver avec un bruit excessif et donc une difficulté á interpréter les explic tions fournies. Nous proposons la méthode intitulée Gradients Intégrés Renforcés (RI ), une variation des gradients intégrés, qui vise á mettre en évidence les régions nfluentes des images dans la décision des réseaux. Cette méthode vise á réduire la sur ace des zones á analyser lors de la visualisation des résultats, générant ainsi moins e bruit apparent. Des expériences á base d’occlusions démontrent que les régions chois es par notre méthode jouent effectivement un rôle important en terme de classification.
Learning diversity attributes in multi-session recommendations
In 2022 IEEE international conference on big data (big data)
Abstract
Diversity in recommendation has been studied extensively. It has been shown that maximizing diversity subject to constrained relevance yields high user engagement over time. Existing work largely relies on setting some attributes that are used to craft an item similarity function and diversify results. In this paper, we examine the question of learning diversity attributes. That is particularly important when users receive recommendations over multiple sessions. We devise two main approaches to look for the best diversity attribute in each session: the first is a generalization of traditional diversity algorithms and the second is based on reinforcement learning. We implement both approaches and run extensive experiments on a semi-synthetic dataset. Our results demonstrate that learning diversity attributes yields a higher overall diversity than traditional diversity algorithms. We also find that training policies using reinforcement learning is more efficient in terms of response time, in particular for high dimensional data.
Trie-based output itemset sampling
In Proceedings of the 2022 IEEE international conference on big data (BigData’22)
Abstract
Pattern sampling algorithms produce interesting patterns with a probability proportional to a given utility measure. Utility changes need quick re-preprocessing when sampling patterns from large databases. In this context, existing sampling techniques require storing all data in memory, which is costly. To tackle these issues, this work enriches D. Knuth’s trie structure, avoiding 1) the need to access the database to sample since patterns are drawn directly from the enriched trie and 2) the necessity to reprocess the whole dataset when the utility changes. We define the trie of occurrences that our first algorithm TPSpace (Trie-based Pattern Space) uses to materialize all of the database patterns. Factorizing transaction prefixes compresses the transactional database. TPSampling (Trie-based Pattern Sampling), our second algorithm, draws patterns from a trie of occurrences under a length-based utility measure. Experiments show that TPSampling produces thousands of patterns in seconds.
Methods for explaining top-N recommendations through subgroup discovery
In Data Mining and Knowledge Discovery
Abstract
Explainable Artificial Intelligence (XAI) has received a lot of attention over the past decade, with the proposal of many methods explaining black box classifiers such as neural networks. Despite the ubiquity of recommender systems in the digital world, only few researchers have attempted to explain their functioning, whereas one major obstacle to their use is the problem of societal acceptability and trustworthiness. Indeed, recommender systems direct user choices to a large extent and their impact is important as they give access to only a small part of the range of items (e.g., products and/or services), as the submerged part of the iceberg. Consequently, they limit access to other resources. The potentially negative effects of these systems have been pointed out as phenomena like echo chambers and winner-take-all effects, because the internal logic of these systems is to likely enclose the consumer in a deja vu loop. Therefore, it is crucial to provide explanations of such recommender systems and to identify the user data that led the respective system to make the individual recommendations. This then makes it possible to evaluate recommender systems not only regarding their effectiveness (i.e., their capability to recommend an item that was actually chosen by the user), but also with respect to the diversity, relevance and timeliness of the active data used for the recommendation. In this paper, we propose a deep analysis of two state-of-the-art models learnt on four datasets based on the identification of the items or the sequences of items actively used by the models. Our proposed methods are based on subgroup discovery with different pattern languages (i.e., itemsets and sequences). Specifically, we provide interpretable explanations of the recommendations of the Top-N items, which are useful to compare different models. Ultimately, these can then be used to present simple and understandable patterns to explain the reasons behind a generated recommendation to the user.