MétaCan
Menu
Retour à la cohorte
Enregistrement W2208567640

Slipping Through the Gate: Trusting Daubert to Reveal the 'Pseudo-Historian' - Troubling Lessons from Holocaust-Related Trials

2009· article· en· W2208567640 sur OpenAlexaboutno aff
Maxine Goodman

Notice bibliographique

RevueSSRN Electronic Journal · 2009
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCriminal Law and Evidence
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésThe HolocaustLawCraftNazismCredibilityGermanSupreme courtNazi GermanyHistoryPolitical sciencePolitics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In light of the prominence of expert historians at trial, Part III explores federal courts' gate keeping role under the Supreme Court's Daubert gate keeping test, as applied to historians serving as expert witnesses. In Irving, a libel case brought by Holocaust denier David Irving against Professor Deborah Lipstadt based on statements in her book, Denying the Holocaust, much of the case focused on plaintiff David Irving's flawed historical methodology regarding Auschwitz (Irving believes Nazis did not use gas chambers to murder Jews at Auschwitz). In the Zundel trials (Zundel was tried and then retried on the same charge) the pseudo-historian threat was realized, as the defense called Irving to testify as an expert historian about gas chambers at Auschwitz, here under Canadian law, where admissibility focuses on credibility rather than reliability. In Irving, Judge Gray did not have to gather, analyze, and synthesize countless historical documents (many of which were in German) concerning Auschwitz because Robert Jan van Pelt and the other defense experts did this work for him. Procedures Should Be Altered for Presenting Historian Expert Testimony The following solutions are aimed at allowing a reliable historian expert sufficient latitude in the courtroom to express his opinion in a manner that comports with his craft.

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)0,028
score de la tête « metaresearch » (Gemma)0,067
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,146

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,067
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0100,035
Communication savante0,0150,017
Science ouverte0,0020,005
Intégrité de la recherche0,0140,019
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,084
Tête enseignante GPT0,390
Écart entre enseignants0,306 · 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'étudeSans objet
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

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetCriminal Law and EvidenceTravaux en français237 207