Le dédommagement dans le contexte de la justice pénale
Bibliographic record
Abstract
En 2015, la Charte canadienne des droits des victimes promettait de reconnaître des droits des victimes au sein du système de justice pénale, et a introduit, au même titre, le droit au dédommagement. Le dédommagement - qui est une somme monétaire imposée au contrevenant afin d’indemniser une victime pour les pertes qui découlent de la perpétration d’une infraction criminelle - comporte de nombreux avantages, mais aussi d'importantes limites pour les victimes. Selon la Charte, ‘toute victime a le droit à ce que la prise d’une ordonnance de dédommagement soit envisagée par le tribunal’. Un formulaire standard a été développé en parallèle avec l’avènement de la Charte afin de faciliter les demandes de dédommagement des victimes. Or, il est important d’examiner la mise en œuvre de ces ordonnances de dédommagement au Canada et de s’interroger sur leur efficacité pour les victimes. Dans le présent article, nous approfondirons la notion du dédommagement afin de mieux comprendre son utilité, son fonctionnement et sa portée dans le système de justice pénale canadien. Nous verrons également comment l’ordonnance de dédommagement est appliquée, ses avantages et ses limites, en plus de présenter quelques alternatives provenant d’autres systèmes judiciaires.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.024 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 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".