COVID‑19, Bail, and the Jail: Trends and Responses to Harmful Conditions of Imprisonment
Bibliographic record
Abstract
Ce texte fait état d’une étude empirique et analyse l’impact de l’émergence de la COVID‑19 sur les décisions judiciaires de mise en liberté provisoire. Aux prises avec les risques liés à la propagation de la COVID‑19 dans les établissements carcéraux, les tribunaux ont généré une abondante jurisprudence sur la manière de traiter le virus dans le cadre de la législation existante sur la mise en liberté provisoire. En s’appuyant sur des données de cent cinquante et une décisions de mise en liberté sous caution rendues au cours des douze premières semaines de la pandémie au printemps 2020, cet article soutient que les premières réponses des tribunaux à la COVID‑19 reflètent les tendances punitives prépandémie. Entre autres résultats statistiques, cette étude souligne que plus de la moitié de ces décisions (66,23 %) ont abouti à une détention. Elle applique ensuite la typologie de Manikis sur la culpabilité et les préjudices de l’État au stade de la mise en liberté provisoire. Ce cadre offre aux décideurs des justifications juridiques et des outils pendant la mise en liberté sous caution pour reconnaître et considérer ces préjudices comme pertinents pour décider si une personne doit être détenue conformément au troisième pilier qui sert à maintenir la confiance dans l’administration de la justice. En outre, il propose des solutions de remplacement à l’emprisonnement sur la base des responsabilités de l’État et de la reconnaissance des préjudices qu’il crée.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".