At Cross Purposes: The Responsible Subject, Organizational Reality and the Criminal Law
Notice bibliographique
Résumé
In recent years, much attention has been directed at how best to hold business organizations criminally accountable when their operations cause large-scale disasters. Though much has been made of legal reforms allowing for proof of liability to be gleaned from a plurality of individuals or collective sources like culture, actual prosecutions still rely almost exclusively on imputation, an approach that applies very poorly to large, complex organizations. Nowhere has this been more painfully evident than in the failed efforts at accountability for the tragic train derailment in Lac-Megantic, Quebec. While many factors affect enforcement against organizations, only one is embedded in the fabric of the criminal law. It flows from the structural tension generated by applying the criminal law to organizations without clearly setting out why they merit treatment as distinct responsible subjects. This omission leaves an analytical gap that is filled, imperfectly, by human characteristics. This means imputation the easiest method of proving guilt even where a collective basis of liability exists in the law. I argue that to break with the habit of reducing collective behaviour into individual acts and intentions, we must build an organizational variant of the responsible subject that better supports an organizational locus of analysis needed to faithfully capture the nature and extent of collective wrongdoing. As I explain, this in turn would lead to better accountability in those instances, like Lac-Megantic, where collective responsibility is most desperately needed.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,014 | 0,068 |
| Communication savante | 0,018 | 0,009 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 ».