Criminalistics Means and Methods of Combating Ecocide in the Modern Conditions of Military Threats
Notice bibliographique
Résumé
The purpose of this study was to develop an integrated approach to the implementation of criminalistics tools and methodology to prevent and counteract large-scale environmental destruction in the context of modern military threats. To fulfil this purpose, the study analysed the legal aspects of regulating ecocide as a war crime, assessed the effectiveness of existing forensic tools and methods, and investigated the judicial practice and statistics of environmental crimes in Ukraine for 2014-2024. The study found that the number of reported cases of environmental crimes in the conflict zone increased by 73% during this period, with a strong correlation (r=0.82) between the intensity of hostilities and the number of cases of ecocide. The expert survey showed that the most effective forensic tools for detecting and documenting environmental crimes are satellite monitoring, geographic information systems, and unmanned aerial vehicles. The analysis of 75 court decisions showed that in 68% of cases, the actions were classified as ecocide, but in 22% – as other environmental crimes, which indicates the difficulty of proving all elements of the crime of ecocide. Based on the findings obtained, comprehensive recommendations were developed to improve legal regulation, institutional support, technological equipment, investigation methods, and international cooperation in the field of combating ecocide in armed conflicts. Specifically, it was proposed to amend national legislation to clearly define the crime of ecocide, strengthen the institutional capacity of the authorised bodies, expand the use of modern technologies for monitoring and recording environmental crimes, and intensify international cooperation in this area.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».