The diverging dictionaries of science and law
Notice bibliographique
Résumé
Scientific evidence is easily misunderstood. One of the most insidious instances of misunderstanding arises when scientific experts and those receiving their evidence assign different meanings to the same words. We expect scientific evidence to be difficult to understand. What is unexpected, and often far more difficult to detect, is the incorrect understanding of terms and phrases that appear familiar. In these circumstances, misunderstandings easily escape notice. We applied an evidence-based approach to investigating this phenomenon, asking two groups, one with legal education and one with scientific education, to define five commonly-used phrases with both lay and scientific connotations. We hypothesised that the groups would significantly diverge in the definitions they provided. Employing a machine learning algorithm and the ratings of trained coders, we found that lawyers and scientists indeed disagreed over the meanings of certain terms. Notably, we trained a machine learning algorithm to reliably classify the authorship of the definitions as scientific or legal, demonstrating that these groups rely on predictably different lexicons. Our findings have implications for recommending avoidance of some of these particular words and phrases in favour of terminology that promotes common understanding. And methodologically, we suggest a new way for governmental and quasi-governmental bodies to study and thereby prevent misunderstandings between the legal and scientific communities.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».