Explorer et comprendre l’insatisfaction du public face à la « clémence » des tribunaux
Bibliographic record
Abstract
Les sondages sur la justice criminelle indiquent qu’entre 70 et 80% des citoyens sont insatisfaits par la clémence des tribunaux considérant que ceux-ci imposent des sentences qui ne sont pas assez sévères. Cet article explore différentes mesures de l’opinion publique sur les sentences des tribunaux. Il démontre que lorsqu’ils sont confrontés à des mises en situation détaillées qui présentent les circonstances qui entourent le délit et l’accusé, les citoyens sont beaucoup moins insatisfaits de la clémence des tribunaux et cela même si on leur demande d’estimer la sentence des tribunaux ou si on leur fournit la sentence réellement imposée. La deuxième partie de l’article cherche à comprendre pourquoi certains citoyens, dans certains contextes, sont portés à croire que les tribunaux n’auraient pas été assez sévères. Nous vérifions si les caractéristiques individuelles des citoyens (âge, sexe, opinions, etc.), mais surtout leurs interprétations des différents éléments des causes criminelles (évaluation de la gravité, importance accordée à la réhabilitation de l’individu, etc.) permettent d’expliquer leur insatisfaction à l’égard des sentences des tribunaux.
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.007 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".