Hungarian vs. American mediators and how to make communities more resilient
Notice bibliographique
Résumé
Restorative justice practices are used in a wide array of criminal offence cases globally as it puts the need of victims and the community at the centre of the proceedings and focuses on repair and rehabilitation rather than judgement and punishment. This study focuses on the different experiences of mediators in Hungary and in Bloomington, Indiana, United States. Two local government offices in Hungary and a non-profit organization, called Community Justice and Mediation Center (CJAM) were selected for this study. Six Hungarian and five American mediators from the local government offices and CJAM were interviewed in person and online. Analyzing the interviews, we find that there are fundamental differences between the definitions, legislation, and the practices used in the two jurisdictions. The training of mediators is found to be similar in both countries but the way restorative practices are used is different. The system in Bloomington allows the process to be more flexible whilst in Hungary, the high caseloads and strict timeframes of the prosecutor’s office demand that cases be very quick and efficient. This is likely the reason why at CJAM, co-mediation is the norm, with at least two but sometimes three or four facilitators working on a case, while in Hungary co-mediation only happens in the most complex cases. However, it is apparent that the goal of mediation and restorative justice meetings is the same in both Hungary and Bloomington: to repair the harms and to help build a better community.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,009 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,013 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».