LESSONS FROM LATIF: GUIDANCE ON THE USE OF SOCIAL SCIENCE EXPERT EVIDENCE IN DISCRIMINATION CASES
Notice bibliographique
Résumé
The Supreme Court of Canada’s decision in Latif is important not only for its clarification of the test for establishing prima facie discrimination in human rights cases, but also for its guidance on the use of social science expert evidence in discrimination cases. This article examines the Supreme Court’s decision in Latif, with a particular view to identifying lessons for applicants seeking to establish discrimination via social science expert evidence. In particular, we argue that litigants adducing social expert evidence should ensure to: (a) carefully explain the relevance of the social science expert evidence and link the social science expert evidence to specific material issues in the case; (b) spell out the chain of inferences they wish to draw from circumstantial evidence and explain how the expert evidence increases the strength of those inferences; (c) link the expert evidence to the respondent’s lack of a justification; (d) address why expert evidence on a material issue is unavailable (if that is the case); and (e) consider adducing statistical evidence of discrimination when possible.
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 | 0,110 | 0,259 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,021 | 0,032 |
| Communication savante | 0,022 | 0,016 |
| Science ouverte | 0,011 | 0,009 |
| Intégrité de la recherche | 0,041 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».