This study examines how time delays between criminal offenses and arrests are associated with sentencing outcomes in Cook County, Illinois, during the COVID-19 era. Using administrative court records from 2020 to 2024, the analysis focuses on cases in which arrests did not occur immediately, allowing for systematic variation in procedural delay. The study asks whether longer delays are linked to more severe punishments and whether these associations differ across offense types and institutional contexts during periods of court disruption. The findings indicate that longer delays are consistently associated with harsher sentencing outcomes, even after accounting for demographic characteristics, case complexity, offense category, and pandemic-related disruptions. These associations are particularly pronounced in violent and sexual exploitation cases. While the analysis does not establish causal effects, the consistency of results across multiple empirical approaches suggests that procedural timing is a meaningful feature of judicial decision-making rather than a neutral administrative artifact. By documenting how institutional delays correlate with punishment severity, this study contributes to empirical research on judicial discretion, court efficiency, and inequality in the administration of justice, highlighting the importance of procedural fairness alongside formal legal criteria.


翻译:本研究探讨了在COVID-19时期,伊利诺伊州库克县刑事犯罪与逮捕之间的时间延迟如何与量刑结果相关联。通过使用2020年至2024年的行政法庭记录,分析聚焦于逮捕未立即发生的案件,从而允许程序性延迟的系统性变化。本研究探究了较长的延迟是否与更严厉的惩罚相关,以及这些关联在不同犯罪类型和法院运作中断时期的制度背景下是否存在差异。研究结果表明,即使在控制了人口特征、案件复杂性、犯罪类别和疫情相关干扰后,较长的延迟仍持续与更严厉的量刑结果相关。这些关联在暴力和性剥削案件中尤为显著。尽管分析未确立因果关系,但多种实证方法结果的一致性表明,程序性时间安排是司法决策中有意义的特征,而非中立的行政产物。通过记录制度性延迟如何与惩罚严厉程度相关联,本研究为关于司法裁量权、法院效率和司法管理不平等的实证研究做出了贡献,强调了程序公平性与正式法律标准同等重要。

0
下载
关闭预览

相关内容

FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
34+阅读 · 2019年10月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
163+阅读 · 2019年10月12日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
12+阅读 · 2018年3月15日
IJCAI | Cascade Dynamics Modeling with Attention-based RNN
KingsGarden
13+阅读 · 2017年7月16日
国家自然科学基金
13+阅读 · 2017年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
43+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
18+阅读 · 2018年12月24日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
12+阅读 · 2018年3月15日
IJCAI | Cascade Dynamics Modeling with Attention-based RNN
KingsGarden
13+阅读 · 2017年7月16日
相关基金
国家自然科学基金
13+阅读 · 2017年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员