LES INCERTITUDES RELATIVES AU MANDAT D’ARRÊT EUROPÉEN À LA LUMIÈRE DE L’AFFAIRE AURORE MARTIN
Bibliographic record
Abstract
À travers la mise en oeuvre d’un mandat d’arrêt européen (MAE), les États membres de l’Union européenne (UE) ont souhaité pallier les faiblesses liées au régime de l’extradition. Aussi, le droit de circuler librement dans n’importe quel État membre de l’espace Schengen nécessitait la mise en place d’un outil juridique adapté, notamment en matière pénale, en vue de lutter contre toute forme d’impunité. Désormais, n’importe quel citoyen de l’UE faisant l’objet d’un MAE devrait être livré aux autorités judiciaires de l’État membre qui en fait la demande. Toutefois, son application soulève, encore de nos jours, quelques incertitudes. Cette étude sera donc consacrée à l’analyse des failles du MAE à la lumière de l’affaire Aurore Martin, car cette dernière les met parfaitement en valeur. L’auteur incite donc à prendre en considération les imperfections persistantes de cet outil juridique tout en soulignant qu’il demeure nécessaire. Par ailleurs, ce travail de recherche souligne le fait qu’il existe de véritables solutions pouvant atténuer les incertitudes relatives au MAE, lesquelles permettaient d’harmoniser les législations pénales des États membres, ainsi que de favoriser le développement de la confiance mutuelle.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| 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".