Socioeconomic marginality in sentencing: The built-in bias in risk assessment tools and the reproduction of social inequality
Notice bibliographique
Résumé
This article develops a sociological analysis and critique of including socioeconomic factors such as education, employment, income and housing in risk assessment tools that inform sentencing decisions. In widely used risk assessment tools such as the Level of Service Inventory-Revised (LSI-R) (Canada, US), the Correctional Offender Management Profiling for Alternative Sanctions (COMPAS) (US), the Offender Assessment System (OASys) (UK) and the Recidive InschattingsSchalen (RISc) (the Netherlands), socioeconomic marginality contributes to a higher risk score, which increases the likelihood of a (longer) custodial sentence for underprivileged offenders compared to their more privileged counterparts. While this has been problematized in relation to gender and racial/ethnic bias, the problem of socioeconomic bias in itself has received little attention. Given the already marginalized position of many justice involved individuals and longstanding concerns about such disparities, and the adverse effects of imprisonment on socioeconomic opportunities, it is essential to evaluate the unintended social consequences of assessing socioeconomic marginality as ‘risk factor’. Elaborating on earlier critiques, I conceptualize risk-based sentencing as a meaning-making process through which (access to) resources and recognition are distributed among offender populations. Through tracing in detail two cultural processes – stigmatization and rationalization – I analyse how risk assessment is likely to produce sentencing disparities as well as to reproduce, and possibly exacerbate, social inequalities more generally.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,033 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».