Escala lingüística neutrosófica para la valoración el principio de estricta legalidad y su aplicación en el sistema garantista ecuatoriano

Contenido principal del artículo

Juan Alberto Rojas Cárdenas
Edmundo Enrique Pino Andrade
Jossema Elizabeth Cueva Moscoso

Resumen

El garantismo es una corriente de pensamiento criminológico de sesgo contractualista y utilitarista nacida en el seno de la Ilustración italiana que proporcionó a Estados modernos, ideas sustanciales para transformar el procedimiento judicial y suavizar la ejecución de la pena. Involucra al principio de legalidad, surgido para impedir la arbitrariedad del poder, con mecanismos que comprendieron la averiguación de la verdad a través de la oficialidad, la imparcialidad, la prontitud y la publicidad, como también la supresión de los castigos crueles y la proporcionalidad entre el delito y la pena. Es por ello que se debe profundizar en investigaciones que aborden desde una perspectiva neutrosófica esta temática. Sobre estos argumentos la investigación tuvo como objetivo: aplicar una escala lingüística neutrosófica para la valoración el principio de estricta legalidad y su aplicación en el sistema garantista ecuatoriano. Durante la investigación se aplicaron métodos teóricos empíricos y matemáticos estadísticos, donde los resultados obtenidos develan la necesidad de seguir profundizando en esta temática desde otras aristas de la ciencia.

##plugins.themes.bootstrap3.displayStats.downloads##

##plugins.themes.bootstrap3.displayStats.noStats##

Detalles del artículo

Cómo citar
Escala lingüística neutrosófica para la valoración el principio de estricta legalidad y su aplicación en el sistema garantista ecuatoriano. (2023). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 28, 277-286. https://fs.unm.edu/NCML2/index.php/112/article/view/410
Sección
Articulos

Cómo citar

Escala lingüística neutrosófica para la valoración el principio de estricta legalidad y su aplicación en el sistema garantista ecuatoriano. (2023). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 28, 277-286. https://fs.unm.edu/NCML2/index.php/112/article/view/410