What We Talk About When We Talk About Skills: Toward a Taxonomy of Legal Skills for Teaching and Leaning in Ontario
Notice bibliographique
Résumé
When stakeholders in legal education discuss skills teaching and learning, do they share conceptual and linguistic common ground? Or do they simply assume that such common ground exists? This qualitative study explores those questions against the backdrop of a rapidly changing practice and licensing environment in Ontario. The goal of the study was to create a preliminary taxonomy that describes in the broadest possible terms what stakeholders in Ontario legal education collectively identify and refer to as legal skills. Using the method of computer-assisted qualitative content analysis, text data referring to skills was extracted from publicly available documents produced by three stakeholder groups: Ontario law firms and bar associations, collectively representing the Profession; the Law Society of Upper Canada and the Federation of Law Societies of Canada, representing the Regulator in Ontario; and Ontario law schools. Text excerpts were classified and assigned to thematic categories based on both inductive and deductive coding methods. This resulted in a taxonomy of over 100 individually identified skills referenced by the stakeholders. Whereas other studies have described skills in the narrow terms of what lawyers do in practice, in order to drive skills curriculum in law schools, the method used here collected data without prioritizing one voice over another. Thus, the resulting taxonomy, rather than defining skills in accordance with a single stakeholder’s interests, instead expands the way in which legal educators might imagine and program skills teaching and learning. It provides common ground for discussion among legal educators about skills curriculum, and encourages stakeholders to work collaboratively to design curriculum that is responsive to our students’ needs for innovative legal education, which will in turn prepare them to successfully navigate the demands of practice in a “new law” environment.
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 | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,017 | 0,020 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».