The role of criminal justice in enhancing punitive measures for sports-related offenses: a multivariate comparative study
Notice bibliographique
Résumé
Introduction: This study explores criminal activities in sports—specifically doping, match-fixing, and violence—emphasizing the need for strong legal frameworks, enforcement, and societal backing to uphold sports integrity. Objective: To assess how legal systems, penalties, and institutional coordination in various countries impact the prevention and management of sports-related offenses, using a comparative legal analysis. Methodology: Seven countries—Italy, Germany, China, the UK, USA, Canada, and Iraq—were selected based on diversity in legal systems, sports development levels, and data availability. The study analyzed national laws, WADA guidelines, and international reports. Countries were classified into proactive-punitive, sports-centric, moderate, or reactive-minimal systems. Socio-cultural and institutional legitimacy factors were included alongside legal norms. Results: Lower recidivism and higher public trust were found in systems with clear laws and effective coordination. Weak legal frameworks led to repeated offenses and reintegration challenges. Preventive and educational efforts significantly reduced repeat offenses across all country types. Discussion: Vague laws and fragmented institutions undermine sanction effectiveness. In contrast, coherent rules and policies support both deterrence and rehabilitation. Cultural trust and institutional legitimacy often outweigh the severity of penalties in influencing outcomes. Conclusion: Effective collaboration and legal clarity enhance responses to sports-related crimes. The global sports sector should adopt unified standards, with comprehensive strategies—combining punitive, preventive, and educational approaches—proving most effective in preserving integrity and reducing criminal behaviors.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».