Creating New Pathways to Justice Using Simple Artificial Intelligence and Online Dispute Resolution
Notice bibliographique
Résumé
Access to justice in can be improved significantly through implementation of simple artificial intelligence (AI) based expert systems deployed within a broader online dispute resolution (ODR) framework. Simple expert systems can bridge the ‘implementation gap’ that continues to impede the adoption of AI in the justice domain. This gap can be narrowed further through the design of multi-disciplinary expert systems that address user needs through simple, non-legalistic user interfaces. This article provides a non-technical conceptual description of an expert system designed to enhance access to justice for non-experts. The system’s knowledge base would be populated with expert knowledge from the justice and dispute resolution domains. A conditional logic rule-based system forms the basis of the inference engine located between the knowledge base and a questionnaire-based user interface. The expert system’s functions include problem diagnosis, delivery of customized information, self-help support, triage and streaming into subsequent ODR processes. Its usability is optimized through the engagement of human computer interaction (HCI) and effective computing techniques that engage the social and emotional sides of technology. The conceptual descriptions offered in this article draw support from empirical observations of an innovative project aimed at creating an expert system for an ODR-enabled civil justice tribunal.
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 | 0,009 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,003 |
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 ».