The Concept Of Restoring The Rights Of Victims Of Mass Fraud With Justice
Notice bibliographique
Résumé
Mass fraud is an increasingly prevalent economic crime in Indonesia, involving sophisticated schemes such as Ponzi investments, fictitious savings, and digital scams that have caused systemic financial losses to society. Although criminal proceedings often result in the incarceration of perpetrators, the rights of victims, especially restitution and compensation, remain neglected. This research examined the development of a fair recovery model for victims of mass fraud within Indonesia’s legal system, integrating theories of justice (Rawls), victimology, and restorative justice. The normative-juridical approach employed in this study was supported by a comparative analysis of successful victim compensation frameworks from the Netherlands and Canada, including the Schadefonds Geweldsmisdrijven and the Criminal Injury Compensation Program. Findings indicate that Indonesia’s current legal mechanisms—such as Article 98 KUHAP and Law No. 31/2014 on Witness and Victim Protection—are substantively progressive but practically ineffective due to regulatory gaps, bureaucratic complexity, and lack of victim-oriented enforcement. The study proposes a victim-centric recovery model through: (1) the establishment of a state-managed Victim Compensation Fund; (2) the integration of restitution into prosecutorial practice by enhancing the role of public prosecutors as dominus litis; and (3) harmonizing criminal and civil procedures under a restorative justice paradigm. This conceptual reconstruction aims to shift Indonesia’s penal policy from perpetrator-focused punishment to a balanced system that ensures substantive justice and comprehensive recovery for victims of mass fraud.
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 | 0,002 | 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 ».