Discounting Life: The Impact of Gender, Race, Domestic Violence, and Ideal Victim Status on Second Degree Murder Sentencing in Canada
Notice bibliographique
Résumé
Scholars, the media, and the public have been concerned about differing values placed on crime victims on the basis of social factors such as gender, race, and domestic violence affiliation. Some academics argue that specific victim attributes result in more punitive sentencing to be imposed, particularly if the victim is constructed as “ideal”. An ideal victim is one who is socially constructed as more “worthy” than another victim of crime based on personal attributes, behaviors and situational aspects of their victimization. International and domestic Canadian sentencing research, however, has demonstrated inconsistent results regarding the role of key victim attributes of gender, race and domestic violence status in sentencing. This study uses the theoretical perspective of social constructionism to guide an assessment of what impact victim gender, race, and domestic violence affiliation may have on sentencing and evaluate the effect of other “ideal victim” factors on court sanctions. The research design also considers the perspective of legal rationalism and the influence of legal factors such as past criminal history, as well as aggravating and mitigating circumstances considered by judges in their sentencing decision. The study uses the crime of second-degree murder and the outcome of parole ineligibility length to test research hypotheses. Through legal case reports and media coverage, data was gathered on victim and offender demographic, social situation and legal background data on 259 cases of second degree murder from 1980-2017. There was little support for the influence of race and domestic violence attributes on murder sentencing. Gender did appear to increase sentence punitivity, even after control variables were introduced. Consistent with past research, demographic factors and ideal victim situational factors showed mostly weak effects on sentencing, while legal predictors such as prior criminal history, other aggravating and mitigating factors explained considerably more variance in parole ineligibility. Given the high evidentiary burden of second degree murder and its seriousness as a crime, it may be an offence less likely to show bias at the point of sentence. Researchers investigating bias might be better served examining manslaughter, assault and less serious offences. Given the limited evidence of domestic violence bias, it may be that governments should provide more resources directly to family violence offenders for rehabilitation and victims for social support. Finally, results should be interpreted cautiously given sampling limitations.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».