Making the Time Fit the Crime: Clearly Defining Online Harassment Crimes and Providing Incentives for Investigating Online Threats in the Digital Age
Notice bibliographique
Résumé
This Note examines online harassment and online stalking throughout the world, including the current landscape of Internet communication, the effects of cyberharassment and cyberstalking on its victims, and both the difficulties in defining these crimes in criminal codes and the difficulties in inspiring law enforcement to investigate complex internet crimes. Specifically, this Note discusses the problems inherent in current cyberharassment and cyberstalking treaties and legislation within the United States, Canada, and Australia. For example, this Note analyzes how these jurisdictions define cyberharassment and cyberstalking, how these definitions are inadequate for dealing with current forms of cyberharassment and cyberstalking (both due to inconsistencies between the definitions, as well as inherent roadblocks in proving the crimes as defined), and how the seriousness of these crimes as defined discourage law enforcement from using extensive resources to investigate these crimes. This Note then proposes a Model Statute that would amend existing U.S. federal law to consolidate definitions of cyberharassment and cyberstalking, to address existing difficulties in proving cyberharassment and cyberstalking crimes, and to address the ambivalence by law enforcement to investigate instances of cyberharassment and cyberstalking. These amendments would both empower citizens to better understand what conduct constitutes cyberharassment or cyberstalking, to more easily prove when cyberharassment and cyberstalking have or have not occurred, and to better empower law enforcement to delve into complex online investigations for cyberharassment and cyberstalking crimes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».