Les rapports de force lors des négociations des plaidoyers de culpabilité. Analyse du point de vue des avocats de la défense
Bibliographic record
Abstract
Le présent article cherche à décrire et à comprendre les rapports de force entre les avocats de la défense et les procureurs de la Couronne lors des négociations des plaidoyers de culpabilité. S’appuyant sur la théorie de l’acteur stratégique (Crozier et Friedberg, 1977) et sur la manière dont le pouvoir et l’incertitude régulent les interactions, il s’intéresse à la manière dont certaines caractéristiques des causes criminelles sont utilisées par les avocats de la défense dans leurs rapports de force avec les procureurs lors de ces négociations. À la suite d’entrevues semi-dirigées menées auprès de douze avocats de la défense exerçant au palais de justice de Montréal, il est apparu que quatre éléments (la gravité et le type de crime, le nombre de chefs d’accusation, le temps écoulé depuis le début des procédures, la médiatisation d’une cause) pouvaient avoir des effets différents sur leurs rapports de force avec les procureurs de la Couronne. L’article met en évidence la manière dont les rapports de force peuvent varier selon certains éléments de la cause et comment ces éléments sont utilisés et perçus différemment par les avocats.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".