MétaCan
Menu
Retour à la cohorte
Enregistrement W3133572789 · doi:10.1596/1813-9450-9555

Who Is in Justice? Caste, Religion and Gender in the Courts of Bihar over a Decade

2021· book· en· W3133572789 sur OpenAlexaff
Sandeep Bhupatiraju, Daniel L. Chen, Shareen Joshi, Peter Neis

Notice bibliographique

RevueWorld Bank, Washington, DC eBooks · 2021
Typebook
Langueen
DomaineSocial Sciences
ThématiqueSouth Asian Studies and Conflicts
Établissements canadiensImpact
Organismes subventionnairesnon disponible
Mots-clésCasteEconomic JusticePolitical scienceSociologyCriminologyGender studiesSocioeconomicsLaw

Résumé

récupéré en direct d'OpenAlex

Bihar is widely regarded as one of India’s poorest and most divided states. It has also been the site of many social movements that have left indelible marks on the state’s politics and identity. Little is currently known about how structural inequalities have affected the functioning of formal systems of justice in the state. This paper uses a novel dataset of more than one million cases filed at the Patna high court between 2009 and 2019 together with a variety of supplementary data to analyze the role of religion, caste and gender in the high court of Bihar. The analysis finds that the courts are not representative of the Bihari population. Muslims, women and scheduled castes are consistently under-represented. The practice of using “caste neutral†names is on the rise. Though there is little evidence of “matching†between judges and petitioners or judges and filing advocates on the basis of names, there is evidence that petitioners and their advocates match on the basis of identity such as the use of “caste neutral†names. These results suggest that the social movements that disrupted existing social structures in the past may have inadvertently created new social categories that reinforce networks and inequalities in the formal justice system.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,186
Score d'incertitude au seuil0,370

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,008
Études des sciences et des technologies0,0040,002
Communication savante0,0050,002
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,036
Tête enseignante GPT0,304
Écart entre enseignants0,268 · 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'étudeObservationnel
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorld Bank, Washington, DC eBooksMême sujetSouth Asian Studies and ConflictsTravaux en français237 207