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 \nsystème de justice criminelle canadien. Ce problème serait notamment la manifestation d’un \nracisme systémique anti-NoirEs (RSAN) dont les origines remontent aux époques coloniale, \nesclavagiste et ségrégationniste du pays. Les Impact of Race and Culture Assessments \n(IRCAs), des rapports présentenciels spécialisés, sont une initiative émergente visant à faire \nreconnaître les impacts du RSAN afin de mitiger la peine des justiciables noirs au Canada. \nCe mémoire a pour objectif de documenter les discours et pratiques autour de l’utilisation des \nIRCAs. Plus spécifiquement, il vise à (1) détailler le processus de production des IRCAs et \nleur présentation au tribunal ; (2) mettre en lumière les avantages et les désavantages \nd'utilisation des IRCAs et (3) faire état de l’impact des IRCAs sur la pratique judiciaire. \nL’analyse thématique de données d’entretiens semi-dirigés menés entre 2018 et 2022 auprès \nde 35 avocats-criminalistes de pratique privée et de service oeuvrant à Toronto a permis de \nconstater que les rapports IRCAs sont bien connus et appréciés des avocats torontois. \nToutefois, les résultats suggèrent également qu’il reste de nombreux obstacles à pallier afin \nde faire reconnaître leur valeur auprès du plus grand nombre, d’harmoniser leur utilisation à \nl’ensemble du pays et de les rendre accessibles à tous ceux qui en ont besoin. Un doute \ndemeure quant à la véritable portée que peut avoir une telle initiative lorsque l’intention \nultime 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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".