Notice bibliographique
Résumé
Abstract Not long ago, complaints about old wrongs were dismissed with statements like “time heals all wounds” or “let sleeping dogs lie.” Survivors of assault, rape, torture, and looting were told that it was just too late. But now the problems of the past are coming back to haunt us. Institutions face complex reckonings with what their forebearers did, and they struggle to make amends. From the Holocaust to child abuse to colonialism, from looting to eugenics to slavery, demands to rectify old wrongs pose unsettling modern challenges. This book traces how the past became such a daunting contemporary problem. It shows how innovative private law actions for redress of old wrongs began to draw on the idea of reparative justice, using it to reshape traditional legal doctrines such as reparations and restitution. As reparations for old injuries and restitution of belongings taken long ago became increasingly common, transitional justice inspired remedies, such as truth commission style bodies and broader remedies, began to appear in stable democracies. In addition to tracing how the past became such a current problem, this book also seeks to draw some useful lessons for institutions seeking to make amends for historic wrongs. It addresses some of the most common challenges of these cases, many of which revolve around lawyers. It also explores some of the most positive lessons, illustrating how engagement with survivors and descendants can reap benefits, not only for them but also for the larger communities seeking to make amends.
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 | 0,011 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,024 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,011 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».