Judging Stereotypes: What the European Court of Human Rights Can Borrow from American and Canadian Equal Protection Law
Notice bibliographique
Résumé
The concept of stereotype is novel in the case law of the European Court of Human Rights. The ECtHR has started to refer to stereotypes in several recent judgments concerning, notably, race and gender equality. In contrast, anti-stereotyping has long been a central feature of both American and Canadian equal protection law. Offering a comparison of the legal reasoning of the ECtHR and the U.S. and Canadian Supreme Courts, this Article uncovers both the pitfalls and the potential of the stereotype concept to advance transformative equality. It is hard to develop a proper legal response to stereotyping, as not all stereotypes are bad and, moreover, laws are inevitably based on generalizations. At a minimum, this Article argues, courts should name stereotypes well and carefully examine their harm. This comparative analysis shows that, at its best, legal reasoning can expose and target the invidious cycle wherein stereotyping and discrimination perpetuate each other. Both the U.S. Supreme Court and its Canadian counterpart, however, show a tendency to equate stereotypes with unfair generalizations. This Article cautions against that. Stereotypes can indeed be inaccurate or negative, but they can also be statistically correct, or prescriptive. When stereotypes are conceived of too narrowly (as only raising issues of accuracy), the concept loses its ability to strengthen a transformative equality analysis. This Article first charts and critiques the emergent ECtHR case law on stereotypes. It then offers a fresh analysis of the strengths and weaknesses of the U.S. and Canadian Supreme Courts' treatment of stereotypes. Two deceptively simple questions will form the leitmotif throughout the comparison: (i) how do these courts conceive of stereotypes, and (ii) given that stereotyping is not necessarily always negative or problematic, how do these courts determine whether the application of a stereotype is invidious? It concludes by exploring what the ECtHR can borrow from American and Canadian equal protection analysis.
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 | 0,017 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,018 | 0,056 |
| Communication savante | 0,018 | 0,015 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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 ».