Explaining the decision not to prosecute to victims and the complaint against non-prosecution of criminal offenses :An empirical legal study
Bibliographic record
Abstract
Het Openbaar Ministerie (OM) poogt al enige tijd het aantal artikel 12 Sv-klachten terug te dringen, de klacht die een belanghebbende mag indienen tegen een beslissing tot niet-vervolging van het OM. Algemeen wordt verondersteld dat de manier waarop een sepotbeslissing kenbaar wordt gemaakt een rol speelt voor slachtoffers bij de beslissing om een klacht in te dienen. In een pilot zijn eerder bij het OM gedurende zekere tijd sepotbeslissingen die als ‘risicovol’ werden beoordeeld uitgebreid gemotiveerd kenbaar gemaakt aan slachtoffers. Het lijkt wellicht een open deur dat een dergelijke uitgebreidere motivering het aantal artikel 12 Sv-klachten zal terugdringen, maar om daar empirische ondersteuning voor te vinden, moet wel het een en ander aan methodologisch gereedschap uit de kast gehaald worden. Met behulp van een speciale analysetechniek (propensity score matching) laat dit artikel zien dat een uitgebreide motivering op een sepotbeslissing de kans op een klacht inderdaad significant verlaagt ten opzichte van een automatisch gegenereerde toelichting op de sepotgrond. Omdat de gegevens niet in een experimenteel design verzameld zijn, en vanwege niet uit te sluiten registratieartefacten, dienen de bevindingen overigens met enige voorzichtigheid geïnterpreteerd te worden.
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 | 0.031 | 0.179 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.034 | 0.004 |
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".