Addressing Campus Sexual Violence: A Collaborative Governance Approach to Legal Policy
Notice bibliographique
Résumé
Campus sexual violence is a pervasive issue affecting institutions worldwide, with a concerning upward trend in reported incidents. This article scrutinizes legal policies and the efficacy of collaborative governance in mitigating this pervasive problem. The model of collaborative governance, a globally recognized legal policy approach, is at the heart of this study. Utilizing socio-legal research methods, the article employs comparative legal and conceptual legal approaches, drawing from secondary literature sources. The study reveals that the implementation of legal policies and collaborative governance can significantly curb campus sexual violence in Indonesia. This can be achieved by actively engaging both academic community and the wider public. By drawing lessons from countries such as the United States, the Netherlands, Canada and the United Kingdom, Indonesia can replicate their success in reducing campus sexual crimes. These measures include the creation of legal policies, establishing partnerships with central and local governments, and fostering collaborative governance. Key initiatives that have proven effective in these countries include the development of service guidelines that prioritize victim and survivor protection, amplified anti-sexual violence campaigns on campuses, and the promotion of sexual violence awareness education. The establishment of a National Campus Sexual Assault Commission to evaluate the enforcement of educational ministerial regulations and religious affairs ministerial regulations in preventing and addressing campus sexual violence is also recommended. This article offers valuable insights for policymakers in their efforts to devise effective legal strategies to prevent sexual violence on campus.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».