Discours d’avocats de la défense sur l’utilisation des rapports Impact of Race and Culture Assessments dans les cours criminelles de Toronto
Notice bibliographique
Résumé
La littérature indique qu’il y a un problème de surreprésentation de personnes noires dans le \nsystème de justice criminelle canadien. Ce problème serait notamment la manifestation d’un \nracisme systémique anti-NoirEs (RSAN) dont les origines remontent aux époques coloniale, \nesclavagiste et ségrégationniste du pays. Les Impact of Race and Culture Assessments \n(IRCAs), des rapports présentenciels spécialisés, sont une initiative émergente visant à faire \nreconnaître les impacts du RSAN afin de mitiger la peine des justiciables noirs au Canada. \nCe mémoire a pour objectif de documenter les discours et pratiques autour de l’utilisation des \nIRCAs. Plus spécifiquement, il vise à (1) détailler le processus de production des IRCAs et \nleur présentation au tribunal ; (2) mettre en lumière les avantages et les désavantages \nd'utilisation des IRCAs et (3) faire état de l’impact des IRCAs sur la pratique judiciaire. \nL’analyse thématique de données d’entretiens semi-dirigés menés entre 2018 et 2022 auprès \nde 35 avocats-criminalistes de pratique privée et de service oeuvrant à Toronto a permis de \nconstater que les rapports IRCAs sont bien connus et appréciés des avocats torontois. \nToutefois, les résultats suggèrent également qu’il reste de nombreux obstacles à pallier afin \nde faire reconnaître leur valeur auprès du plus grand nombre, d’harmoniser leur utilisation à \nl’ensemble du pays et de les rendre accessibles à tous ceux qui en ont besoin. Un doute \ndemeure quant à la véritable portée que peut avoir une telle initiative lorsque l’intention \nultime est de réformer un système entier.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».