A Path Forward to #NiUnaMenos Based on an Intersectional Analysis of Laws Criminalizing Femicide/Feminicide in Latin America
Notice bibliographique
Résumé
Since 2007, eighteen Latin American countries have enacted laws that criminalize femicide/feminicide in an effort to address gender-based murders in the region and to uphold their obligations under international human rights law. However, the COVID-19 pandemic and its systemic lingering effects exacerbated the existent dangerous levels of gender-based violence in the region, resulting in an increase in gender-based murders. To address these murders, between 2020 and 2021, a quarter of the eighteen Latin American countries that criminalized femicide/feminicide have implemented or are in the process of implementing reforms to their laws criminalizing femicide/feminicide. Given this new trend to address the prevalence of gender-based murders, this Article analyzes the laws of nine Latin American countries from an intersectional gender lens perspective. The Article ultimately questions whether criminal law is an effective tool to prevent and eradicate feminicide, as well as to provide comprehensive reparations for survivors with multiple marginalized identities and their families for the multi-sided violence they have been forced to endure due to patriarchal, racist, and colonial-capitalist systems of power. With a vision that women will be able to live their lives free from violence, this Article describes how the path forward requires a new approach grounded in the lived experiences of those that are disproportionality impacted by gender-based violence; and provides clear recommendations for States to ensure that they recognize the murders of women with multiple marginalized identities in order to protect their right to life.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».