MétaCan
Menu
Retour à la cohorte
Enregistrement W2906612841 · doi:10.1093/oso/9780190848620.003.0003

Contemporary Dimensions of Criminal Disenfranchisement

2018· book-chapter· en· W2906612841 sur OpenAlexaboutno aff
Milena Tripkovic

Notice bibliographique

RevueOxford University Press eBooks · 2018
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueEuropean Criminal Justice and Data Protection
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWarrantNormativeLegislationQuarter (Canadian coin)Political scienceDiversity (politics)Law and economicsLawCriminologySociologyGeographyEconomics

Résumé

récupéré en direct d'OpenAlex

This chapter examines European disenfranchisement policies, aiming to uncover their characteristics and use them as models for the normative discussion. It considers the legislation in 43 European countries along four dimensions: the prevalence of restrictions; dominant notions of “disenfranchise-able” offender; extent of restrictions; and timing, length, and manner of imposition of restrictions. The analysis uncovers a great deal of diversity across Europe: while the rights of many criminal offenders remain intact, most countries nevertheless believe that some instances of criminal offending warrant restrictions. The chapter finds that three-quarters of European countries impose some restrictions, one-third disenfranchise all prisoners, one-half restrict both active and passive electoral rights, one-third employ post-penal disenfranchisement, while one-quarter permit a permanent ban. Comparing these data to the US states—which are often considered incomparably strict—the chapter suggests that the difference is only in the degree of restrictions and not in the kind of existing policies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,959
Score d'incertitude au seuil0,758

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,075
Tête enseignante GPT0,266
Écart entre enseignants0,191 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford University Press eBooksMême sujetEuropean Criminal Justice and Data ProtectionTravaux en français237 207