Punishing Persistent OffendersExploring Community and Offender Perspectives
Notice bibliographique
Résumé
Despite very diverse approaches towards punishing crime, all Western jurisdictions punish repeat offenders more harshly (a practice known as the recidivist sentencing premium). For many repeat offenders, their previous convictions have more impact on the penalty they receive than the seriousness of their current crime. Why do we punish recidivists more harshly? Some sentencing theorists argue that offenders should be punished only for the crimes they commit — not for the crimes committed and paid for in the past. From this perspective, punishing repeat offenders more severely amounts to double punishment. Having been punished once for an offence, the recidivist will pay for the crime again every time he re-offends. Is this fair? This volume explores the nature and consequences of the recidivist sentencing premium on both the theoretical and empirical levels. It begins by exploring the justifications for treating repeat offenders more harshly, and then provides examples of the practice from a number of jurisdictions including England and Wales, Canada, and the United States. Particular attention is paid to the views of two important groups: convicted offenders and the general public. If offenders believe that the recidivist sentencing premium is unjustified, they are less likely to accept the legitimacy of the justice system. As for members of the public, it is important to know whether this key element of the sentencing process is consistent with community views.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,014 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».