Plaidoyer pour des mesures de réparation pour les victimes de crimes contre l’environnement
Bibliographic record
Abstract
Le présent article se penche sur une question de plus en plus importante, soit la réponse des mécanismes de justice formels aux victimes (humaines) des crimes environnementaux. On comprend désormais mieux les impacts des activités polluantes (pratiquées généralement par des personnes morales) sur les individus et les collectivités du monde entier. Ces impacts sont de plus en plus condamnés par les observateurs, issus ou non du milieu scientifique, mais peu d’articles abordent directement la question des victimes de ces dommages environnementaux et aucun n’a tenté de comparer les divers recours du point de vue des victimes ou d’aborder la manière dont de tels recours pourraient être facilités et les formes qu’ils peuvent prendre. La présente étude cherche à remédier à cet état des choses et à remettre en question la tendance actuelle à la critique et au manque de priorité accordé aux voies de recours pénales en réponse aux crimes et aux dommages environnementaux. Elle examinera ainsi les options de réparations disponibles pour les victimes de crimes sous un certain nombre de juridictions et proposera la première évaluation critique et systématique de leur pertinence dans les affaires environnementales.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.033 | 0.005 |
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".