Notice bibliographique
Résumé
Many law students experience strong and sometimes difficult emotions during their time in clinical lawprograms: sadness at clients'stories of trauma, excitement about a victory in court, or anger at the injustices faced by clients. In this article, I focus on the emotion of "moral anger,"or "moral outrage" experienced by lawyers and students in clinicalcontexts, and consider how educators and students might address manifestations of moral anger in clinical law contexts in ways that ignite a critical and social-justice oriented approach to legal practice. By drawing on theoretical insights from the emerging field of critical emotion studies, I argue that a critical analysis of the role of moral anger in clinical legal education reveals its potential as an agent of transformation, but also signals a need for clinical educators to be wary of an uncritical understanding of this strong emotion. Drawing on the work of Michalinos Zembylas, Sara Ahmed, and others, Ipropose that clinicallaw students and teachers should seek to engage in critical "readings" • of moral anger-interpretations that acknowledge the role of strong emotions in legal practice, and then interrogate the meaning of these feelings in light of community context, power relations, and history. Such an approach, I argue, can literally "move" us into deeper understandings and potentially more meaningful and collaborative social-justice oriented practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,018 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,000 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».