Kaznena politika i zatvorski sustav Republike Hrvatske
Bibliographic record
Abstract
U radu su obrađeni podaci kretanja i stanja kriminaliteta te promjena kaznene politike s ciljem utvrđivanja utjecaja na promjene i prilagodbe unutar zatvorskog sustava. Kaznena politika je puno šire pitanje od zakonodavnih okvira kažnjavanja propisanih Kaznenim zakonom, ali politika kažnjavanja u pogledu primjene kaznenopravnih okvira i izbora sankcija značajno utječe na stanje u zatvorskom sustavu. Prenapučenost kaznenih ustanova, posebno u zatvorenim uvjetima, u pitanje dovodi uvjete koji su potrebni za osiguravanje svrhovitog boravka zatvorenika u zatvorima, odnosno kaznionicama kao i mogućnost organiziranog provođenja aktivnosti usmjerenih na ostvarenje glavne svrhe izdržavanja kazne zatvora. Isti negativan učinak ostvaruje se i nepopunjavanjem planiranih radnih mjesta unutarnjih ustrojstvenih jedinica kaznenih ustanova. Nepovoljan odnos broja zatvorenika na jednog službenika pravosudne policije dodatno utječe na povećanje sigurnosnih rizika i spremnost na potrebne reakcije u održavanju discipline i stege, a samim time i na stvaranje sigurnih uvjeta za provođenje svih aktivnosti. Usprkos svim pokazateljima blagosti kaznene politike, broj zatvorenika se u posljednje dvije godine ponovo povećava i premašuje smještajne kapacitete zatvorskog sustava. Najzastupljenija izrečena kaznenopravna sankcija je uvjetna kazna zatvora, a u slučaju izricanja bezuvjetne kazne zatvora, u visini od šest do dvanaest mjeseci.
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 | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.012 |
| Scholarly communication | 0.015 | 0.006 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.020 | 0.005 |
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".