Justicia Restaurativa aplicada a supuestos de violencia de género
Bibliographic record
Abstract
En la presente aportación se exploran las posibilidades aplicativas de la justicia restaurativa a los supuestos de violencia de género. Partiendo de las posiciones feministas radicales que se han impuesto en el diseño de la política criminal dirigida a luchar contra la violencia de género, se describe el proceso de aprobación de políticas de arresto obligatorio en casos de maltrato familiar. Se indica cómo la aplicación de dichas políticas ha resultado contraproducente, y no acorde con los deseos de las víctimas. Una vez enunciados los peligros inherentes a la aplicación de procesos de justicia restaurativa a casos de violencia de género, al tiempo que destacando sus ventajas, se exponen experiencias emblemáticas producidas en otros países tanto de conferencing, como de circles y de mediación. Se concluye analizando la situación tanto normativa cuanto aplicativa en nuestro país, efectuando una propuesta de lege ferenda que trata de conciliar la que podría ser la futura regulación de la mediación penal en España con las necesidades específicas de los casos de violencia de género. ---------------------------------------------------------------------------------------------------------
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.006 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.022 | 0.002 |
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".