Discours d’avocats de la défense sur l’utilisation des rapports Impact of Race and Culture Assessments dans les cours criminelles de Toronto
Bibliographic record
Abstract
La littérature indique qu’il y a un problème de surreprésentation de personnes noires dans le système de justice criminelle canadien. Ce problème serait notamment la manifestation d’un racisme systémique anti-NoirEs (RSAN) dont les origines remontent aux époques coloniale, esclavagiste et ségrégationniste du pays. Les Impact of Race and Culture Assessments (IRCAs), des rapports présentenciels spécialisés, sont une initiative émergente visant à faire reconnaître les impacts du RSAN afin de mitiger la peine des justiciables noirs au Canada. Ce mémoire a pour objectif de documenter les discours et pratiques autour de l’utilisation des IRCAs. Plus spécifiquement, il vise à (1) détailler le processus de production des IRCAs et leur présentation au tribunal ; (2) mettre en lumière les avantages et les désavantages d'utilisation des IRCAs et (3) faire état de l’impact des IRCAs sur la pratique judiciaire. L’analyse thématique de données d’entretiens semi-dirigés menés entre 2018 et 2022 auprès de 35 avocats-criminalistes de pratique privée et de service oeuvrant à Toronto a permis de constater que les rapports IRCAs sont bien connus et appréciés des avocats torontois. Toutefois, les résultats suggèrent également qu’il reste de nombreux obstacles à pallier afin de faire reconnaître leur valeur auprès du plus grand nombre, d’harmoniser leur utilisation à l’ensemble du pays et de les rendre accessibles à tous ceux qui en ont besoin. Un doute demeure quant à la véritable portée que peut avoir une telle initiative lorsque l’intention ultime est de réformer un système entier.
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 | 0.009 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.005 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| 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".