Implicazioni Criminologiche della Regolamentazione del Mercato della Cannabis in Italia
Notice bibliographique
Résumé
Nel decennio 2010-2020, Uruguay, Canada e Stati Uniti hanno adottato differenti forme di legalizzazione del mercato della cannabis. Alla luce di questo, anche in Italia la legalizzazione della cannabis viene invocata come politica capace di contribuire all’efficientamento del sistema penale, al contrasto al crimine organizzato e, più in generale, alla riduzione dei reati. L’analisi del funzionamento del mercato della cannabis e della letteratura sul tema suggeriscono che l’apertura di un mercato legale di questa sostanza porterebbe ad una riduzione dell’aggravio per il sistema di giustizia la cui portata e durata sono però ad oggi difficili da stimare precisamente. L’impatto sui gruppi mafiosi sarebbe verosimilmente contenuto; la riduzione della violenza e dei crimini appropriativi probabilmente trascurabile. Siccome però la legalizzazione non è in realtà un’opzione binaria e le sue implicazioni dipendono dalle norme specifiche e dalle azioni amministrative adottate per regolare il mercato, è auspicabile lo sviluppo di nuovi studi che analizzino le conseguenze delle varie opzioni di regolamentazione considerando le specificità del contesto italiano.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,001 |
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 ».