Zwart maken en groen wassen:Bedrijven en milieucriminaliteit
Bibliographic record
Abstract
Groene criminologie als vakgebied In de afgelopen jaren heeft groene criminologie zich ontwikkeld tot een belangrijk vakgebied binnen de criminologie, aangedreven door urgente ecologische crises zoals illegale houtkap, mijnbouw, vervuiling en de handel in bedreigde diersoorten. Basisboek groene criminologie bespreekt de opkomst, ontwikkeling en uitdagingen van groene criminologie. Complexe dynamiek tussen mens en natuurDe bijdragen in dit boek onderzoeken de complexe dynamiek tussen mens en natuur en belichten de schadelijke gevolgen van menselijke activiteiten voor ecosystemen en biodiversiteit. De auteurs gaan niet alleen in op gecriminaliseerde milieudelicten, maar ook op schadelijke praktijken die nog niet door wetgeving zijn aangepakt. Door een antropocentrisch wereldbeeld te verwerpen, omarmen groene criminologen een ecocentrische benadering. De relatie tussen mens en natuur wordt vanuit een breed opgevat schadebeginsel benaderd, waarbij ecosystemen, dieren en planten als slachtoffer worden meegenomen. Groene criminaliteitHet boek is verdeeld in vier delen. Het eerste deel richt zich op de theoretische fundamenten en de rol van groene criminologie. Hierin zal onder andere de opkomst van dit vakgebied worden besproken en zullen de belangrijkste concepten worden uitgelegd. Het tweede deel behandelt de daders, slachtoffers en rechten in relatie tot groene misdaden, met bijdragen over milieucriminaliteit door bedrijven en de rol van georganiseerde misdaad. Het derde deel onderzoekt specifieke vormen van groene criminaliteit, zoals illegale ontbossing en vervuiling, waarbij concrete voorbeelden en casestudies worden gepresenteerd. Het vierde en laatste deel focust op de reacties op groene criminaliteit, inclusief publieke percepties en de juridische en maatschappelijke aanpak van milieuschade. De bestudering van milieugerelateerde misdadenMet dit boek dragen de auteurs bij aan de ontwikkeling van groene criminologie en leggen ze een theoretische en empirische basis voor de bestudering van groene misdaden. Dit eerste Nederlandstalige werk over groene criminologie is een essentiële bron voor studenten, onderzoekers, beleidsmakers die zich bezighouden met een duurzamere toekomst.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.018 |
| Scholarly communication | 0.017 | 0.009 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.023 | 0.003 |
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".