MétaCan
Menu
Retour à la cohorte
Enregistrement W2178195001 · doi:10.60082/2563-4631.1001

International Human Rights Fact-finding Praxis in its Living Forms: A TWAIL Perspective

2014· article· en· W2178195001 sur OpenAlexaff
Obiora Chinedu Okafor

Notice bibliographique

RevueThe Transnational Human Rights Review · 2014
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdversarial Robustness in Machine Learning
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésPraxisHuman rightsSalience (neuroscience)Political sciencePerspective (graphical)Environmental ethicsSociologyPower (physics)Law and economicsLawEpistemologyPublic relationsPsychology

Résumé

récupéré en direct d'OpenAlex

International human rights fact-finding (hereinafter "IHRFF") has been defined, rather generously, as: A method of ascertaining facts through the evaluation and compilation of various information sources ... [which] serves to illuminate the circumstances, causes, consequences and aftermath of an event from a systematic collection of facts. Understood in this way, IHRFF is not a new activity. Rather, various organizations, groups, and entities have engaged in it for a very long time. Indeed, issues relating to its ways and means, conceptual and operational problems, and best practices have occupied the attention of many practitioners, and cringed the brows of many of scholars, for a fairly long time. However, recent years have witnessed an increased deployment of IHRFF in response to alleged violations of human rights in a range of climes. This may be a possible justification for the renewed attention that it appears to receiving among academics and practitioners alike. In particular, given the increasing salience of IHRFF and the tremendous power that its practitioners can increasingly exert in both domestic and world affairs, contemporary scholarly commentators appear to be justified in renewing their quest to understand IHRFF and, if necessary, stimulate its thoughtful reform. This article is a modest attempt to contribute to the emergent process of the renewed study of that praxis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,044
score de la tête « metaresearch » (Gemma)0,051
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,231

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0440,051
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,006
Études des sciences et des technologies0,0060,060
Communication savante0,0220,025
Science ouverte0,0030,007
Intégrité de la recherche0,0120,017
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,326
Écart entre enseignants0,301 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Transnational Human Rights ReviewMême sujetAdversarial Robustness in Machine LearningTravaux en français237 207