MétaCan
Menu
Retour à la cohorte
Enregistrement W2332375690 · doi:10.1177/1462474516641376

Penal change as penal layering: A case study of proto-prison adoption and capital punishment reduction, 1785–1822

2016· article· en· W2332375690 sur OpenAlexaff
Ashley T. Rubin

Notice bibliographique

RevuePunishment & Society · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueColonialism, slavery, and trade
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPrisonLayeringPunishment (psychology)Capital punishmentCapital (architecture)CriminologyReduction (mathematics)EconomicsPolitical scienceBusinessPsychologySocial psychologyGeographyMathematics

Résumé

récupéré en direct d'OpenAlex

Recently, scholars have increasingly criticized descriptions of significant penal change as “ruptures”—sudden breaks with past practices, often replacing old technologies with new. This article promotes an alternative understanding of penal change as the layering of new penal technologies over old technologies to describe the complicated coexistence of old and new penal technologies following significant moments of change. This study demonstrates the layering process through a case study of the first major American penal reform: proto-prisons adopted between 1785 and 1822 are often described as the first great rupture in which long-term incarceration replaced capital punishment. Using the relationship between America’s emerging proto-prisons and declining death penalty, this article illustrates the complicated coexistence of penal reforms with older technologies. While proto-prisons emerged out of revulsion with capital punishment, many states adopted proto-prisons independently of their decisions to reduce capital offenses and most states retained relatively robust death penalties. Rather than a replacement or rupture, the emergence of proto-prisons represented an additional layer of punishment that partially displaced older technologies.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,105

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0170,010
Communication savante0,0030,003
Science ouverte0,0010,004
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,050
Tête enseignante GPT0,326
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePunishment & SocietyMême sujetColonialism, slavery, and tradeTravaux en français237 207