Notice bibliographique
Résumé
In law, there is a fundamental distinction between two main types of burden of proof (Prakken and Sartor, 2009). One is the setting of the global burden of proof before the trial begins, which is called the burden of persuasion. It does not change during the argumentation stage, and it is the device used to determine which side has won at the closing stage. The other is the local setting of burden of proof at the argumentation stage, often called the burden of production (or the evidential burden, or the burden of going forward with evidence) in law. This burden can shift back and forth as the argumentation proceeds. For example, if one side puts forward a strong argument, the other side must meet the local burden to respond to that argument by criticizing or presenting a counterargument, or otherwise the strong argument will hold, and it will fulfill the burden of persuasion of its proponent unless the respondent puts forward an equally strong objection or counterargument. Otherwise the respondent will lose the trial at that point, and the judge can declare that the trial is over. According to Williams (2003, 166), considerable confusion has arisen from a failure to distinguish between two distinct kinds of burdens of proof, especially by appeal courts who discuss questions of burden of proof without making it clear whether they are talking about burden of persuasion or evidential burden. Recent ground-breaking work in AI shows great promise for helping law to work toward a more systematic conceptual grasp of the notion of burden of proof by seeing how to model it in a precise way.
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 | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,039 |
| Communication savante | 0,012 | 0,020 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».