MétaCan
Menu
Retour à la cohorte
Enregistrement W4396556670 · doi:10.1177/14624745241248153

Understanding carceral mobilities in and through lived experiences of incarceration

2024· article· en· W4396556670 sur OpenAlexafffundabout
Sarah Turnbull, Dawn Moore

Notice bibliographique

RevuePunishment & Society · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCriminal Justice and Corrections Analysis
Établissements canadiensCarleton UniversityUniversity of Waterloo
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésMobilitiesMass incarcerationCriminologySociologyPrisonEconomic geographyGeographySocial science

Résumé

récupéré en direct d'OpenAlex

Recent scholarship on carceral mobilities critiques conceptualizations of carceral spaces as fixed and stable, and movements within or around sites of confinement as linear and horizontal. According to this critique, criminological studies of imprisonment have typically embraced what Turner and Peters (2017) [‘Rethinking mobility in criminology’, Punishment & Society 19(1), 96–114] term a ‘sedentarist ontology’ by failing to consider the complexities of prisoner mobilities in the lived experiences of the carceral. We draw on qualitative interview data from the Prison Transparency Project, a multiyear study initially across four research sites in Canada focused on former prisoners’ narratives of their carceral experiences, to identify and analyze the multifaceted mobilities that characterize prison life. We focus on three aspects of carceral mobilities: the use of psychotropic medications to produce docility, the coercive (im)mobilities of physical restraints and the ‘prison on wheels’ (i.e., prisoner transport vehicles). Using the concept of ‘kinetic immobility’, in which prisoners’ bodies are immobilized so they can be coercively moved (or not) through space and time, we consider the degree to which the theoretical work on carceral mobilities aligns with lived experiences of incarceration, as narrated by research participants.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,112
Tête enseignante GPT0,349
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePunishment & SocietyMême sujetCriminal Justice and Corrections AnalysisTravaux en français237 207