Un cas d’innovation ‘accidentelle’ en matière de peines : une loi brésilienne sur les drogues
Bibliographic record
Abstract
La réflexion proposée dans ce papier porte sur les alternatives à l’incarcération et, plus globalement, sur les relations complexes qui se tissent entre les concepts de punition et d’innovation, de peine et d’innovation. A ce titre, nous évoquerons un exemple concret tiré de la législation criminelle brésilienne, une nouvelle loi en matière de drogues (2006), pour mettre en évidence l’intérêt théorique mais aussi les enjeux éthiques que peut susciter le concept d’innovation pénale. Introduisant une modification hyper improbable concernant les peines, cette loi brésilienne nous permettra alors de développer notre argumentaire en 7 temps : 1) décrire la modification législative qui servira d’arrière-plan à nos propos ; 2) présenter les outils conceptuels nécessaires à la description que nous entendons faire de cette modification législative ; 3) évoquer le statut que la théorie des systèmes autoréférentiels octroie à la production législative ; 4) attirer l’attention sur deux manières historiquement déviantes de conceptualiser la punition ; 5) indiquer quelques repères historiques sur le concept dominant de punition (en matière de justice pénale) ; 6) illustrer la restabilisation et la généralisation du concept dominant ou "normal" de peine et enfin 7) revenir, à titre de conclusion, sur les concepts centraux visés par notre démarche.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.006 | 0.024 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.004 | 0.007 |
| 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".