Causal Draws and Causal Inferences: A Solution to Clements v. Clements (and Other Causation Cases)
Notice bibliographique
Résumé
Nothing in tort causes more confusion than causation. In early 2012, the Supreme Court of Canada will hear Clements (Litigation Guardian of) v. Clements,1 on appeal from the British Columbia Court of Appeal. At trial and appeal, this case pitted negligence law’s default “but for” test for causation against the alternative material contribution test for causation. When does a court use one test or the other? How can litigants sensibly predict case results? Clements is a case about a motorcycle accident where the passenger was severely injured because the motorcycle capsized as a result of a punctured tire. The driver was speeding in wet weather and had improperly overloaded the motorcycle. The evidence was unable to definitively explain the specific causal role that the driver’s negligence played in the motorcycle upset and resulting injuries to the passenger (who was the driver’s wife).This case is an illustration that causation is getting too confusing. Confusion breeds consistency costs. A return to first principles and simple foundational doctrine would go a long way to rehabilitating the thinking about causation and how to prove it. As will be discussed below, this case should probably not be about dueling doctrinal tests for causation at all but instead about how courts determine evidentiary sufficiency for causal proof.
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 | 0,028 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,023 |
| Communication savante | 0,009 | 0,017 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,017 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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.
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 ».