Journalists, Judges, and State Officials: How Russian Courts Adjudicate Defamation Lawsuits Against the Media
Notice bibliographique
Résumé
Throughout the 1990s and 2000s, Russian courts heard between 10,000 and 15,000 defamation cases per year, which means that there was one per approximately 14,500 Russians. By comparison, in the UK, often dubbed a ‘defamation tourism’ destination for its supposedly high volume of defamation cases, courts hear only about 250 cases per year, for a per capita rate of one in 1.5 million. In other words, Russia’s per capita defamation lawsuit rate is 100 times greater than the UK’s! Why do Russians generate so many defamation cases? Who sues to protect their dignity and reputation the most often? What are some common triggers of defamation lawsuits? How do Russian judges decide defamation disputes? Who wins and who loses? Who gets a moral damage award and what determines its size? Does the political affiliation of the plaintiff affect their chances in court? The answers to these questions reveal part of the civil justice experience in Russia and illuminate the influence of Russian legal culture over judicial outcomes. They also carry important implications for the state of Russia’s media landscape and the independence of the courts from political interference. To address these questions, this chapter delves into the legislative basis for defamation disputes and the jurisprudence of Russia’s top court on the subject. It also analyses an original dataset that I compiled based on information collected by the Glasnost Defence Foundation (GDF). The dataset contains extensive information on close to 2,000 civil defamation complaints against media outlets, adjudicated by ordinary Russian courts from the majority of Russian federal regions, between 1997 and 2011.
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 | 0,006 | 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 | 0,008 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».