La délinquance économique et financière en procès. Les magistrats et la gestion différentielle des illégalismes économiques et financiers
Bibliographic record
Abstract
À partir d’entretiens avec quinze magistrats, de multiples observations d’audiences à Paris et à Lyon dans les juridictions économiques et financières, cet article issu de mon mémoire de master 2 vise à montrer comment les réformes de la justice française (développement des alternatives à l’audience correctionnelle, introduction d’une rationalité managériale) donnent lieu à une gestion différentielle des illégalismes au sein de la justice pénale des affaires. Celle-ci trouve son principe non plus dans une inégalité inscrite dans la loi, mais aussi, et surtout dans la pratique des magistrats spécialisés. La gestion différentielle des i l légalismes repose désormais sur une individualisation de la peine qui est le support de l’application d’un pouvoir disciplinaire pour les plus modestes, et le moyen d’une négociation des conditions de la sanction pour les classes dominantes. Cette gestion des illégalismes trouve sa source dans les pratiques des magistrats en matière de gestion et de négociation présentées comme des palliatifs aux lenteurs de la justice et à l’impunité des puissants. Si les illégalismes dominants entrent dans le giron de la justice pénale, les plus dotés se ménagent des espaces d’exception, qui leur permettent parfois même de tirer profit de leurs contacts avec l’institution judiciaire.
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 | 0.003 | 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 | 0.003 | 0.004 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".