Revisiting Criminal Justice: From Retribution to Restoration in a Technological Era
Notice bibliographique
Résumé
This narrative review explores contemporary challenges and reform trends in comparative criminal justice systems, emphasizing the interaction between retributive and restorative approaches and the integration of digital technologies such as artificial intelligence (AI). The study aimed to identify effective reform strategies and the systemic factors influencing their success. A comprehensive literature search was conducted across Scopus, Google Scholar, and other academic databases using Boolean operators to locate studies published in the last ten years, with inclusion criteria focusing on relevance, methodology, and language. Selected studies included qualitative, quantitative, and mixed-method research examining judicial systems in civil and common law countries. Results reveal that reform efforts are significantly shaped by institutional transparency, civic engagement, and corruption control. Countries like Rwanda and Germany demonstrated progress through inclusive reforms, whereas developing nations such as Indonesia face obstacles due to institutional limitations. Retributive models, particularly in the United States, contribute to high recidivism and neglect victims' needs. In contrast, restorative practices in Canada and New Zealand show enhanced outcomes in offender rehabilitation and victim satisfaction. Moreover, the use of AI in judicial systems, while improving efficiency, raises ethical concerns regarding algorithmic fairness and data governance. The findings highlight the urgent need for balanced policy frameworks that promote restorative justice, community engagement, and ethical integration of technology. Future research should examine adaptive models of justice reform suited to varying socio-political environments to enhance justice delivery globally.
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 | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,013 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».