“Gromming”: el minotauro en internet. El derecho penal del enemigo frente al pederasta de la era digital
Bibliographic record
Abstract
Se estima que 2300 millones de personas se conectan a internet en el mundo actual, y sus contactos son cada vez más anónimos. El mayor porcentaje de los usuarios son los nativos digitales, esto es, seres humanos que crecieron en medio de la sociedad de la red. Nos referimos a niños y adolescentes, lo cual ha provocado que el pederasta del siglo pasado traslade su campo de acción a un terreno que presenta inconmensurables dificultades para identificarlo y neutralizarlo. El minotauro digital acecha, su voracidad no se frena, se asocia en redes internacionales, usa la tecnología para burlar controles. Contacta niños bajo diversos disfraces, los prepara para que satisfagan sus deseos sexuales en un pavoroso ritual de manipulación emocional que concluye generalmente en el chantaje al menor y a su posterior abuso sexual. El grooming, en muchas legislaciones actuales, presenta serias deficiencias en cuanto a su tipificación. En este trabajo presentamos un estudio desde las coordenadas del funcionalismo normativo sistémico, más concretamente desde el derecho penal del enemigo, exponiendo algunas ideas para profundizar el debate y aportar a la materialización de una campaña real de neutralización contra estos auténticos focos de peligro. Se objetará que nuestra posición entiende al pederasta como Carl Schmitt lo hacía respecto de un determinado grupo racial, lo cual, como lo demostraremos con amplia literatura, es absolutamente falso, pues el enemigo para Jakobs es un delincuente que se aparta macabra y duraderamente del derecho y es absolutamente indiferente su estatura o cualquier otra cuestión física. Se criticará que esta posición está basada en prejuicios, pero ¿es acaso posible encontrar un ordenamiento penal en el mundo que se fundamente exclusivamente en juicios? La respuesta es que no, esto no es factible, y se entiende con un ejemplo muy sencillo: nadie discute que en Italia existen diversas organizaciones criminales, no es una sola mafia sino varias empresas delictivas, unas más violentas que otras, unas con más ramificaciones con bandas albanesas o españolas que otras. ¿Es esto un prejuicio? Sus hechos, las investigaciones, las evidencias encontradas nos dicen que no, que la peligrosidad de todas estas bandas no se discute, pero hay algunas, como la Ndrangheta, que reviste una especial amenaza a la configuración de una sociedad pacífica. En algún momento también existían prejuicios sobre las Brigadas Rojas, el eta o las farc y luego, al reflejarse como amenazas de incalculables proyecciones delictivas, se terminó normando las conductas de su complejo espectro criminal con otra velocidad, lo cual está, desde nuestro enfoque, absolutamente justificado.
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 | 0.001 | 0.005 |
| 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 | 0.005 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".