MétaCan
Menu
Retour à la cohorte
Enregistrement W2918728312

Making Dishonesty Fit the Crime

2018· article· en· W2918728312 sur OpenAlexaboutno aff
Rudi Fortson

Notice bibliographique

RevueSSRN Electronic Journal · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal principles and applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDishonestySupreme courtAppealLawStatutory lawTribunalPolitical sciencePsychology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Statutory offences that require proof of dishonesty have been enacted in England and Wales since 1968, and similarly, in other jurisdictions (notably, Australia, New Zealand, and Canada). Although dishonesty has been described as an “ordinary concept”, “characterised by recognition rather than by definition”, the concept has proved to be problematic - conceptually and in practice – not least as to whether or not dishonesty is to be judged objectively or subjectively, or involves a hybrid approach (in part objective and in part subjective). For thirty-five years, the approach in England and Wales appeared to be settled following the decision of the Court of Appeal (Criminal Division) in R v Ghosh. However, the UK Supreme Court held in Ivey v Genting Casinos (UK) Ltd - albeit obiter - that when dishonesty is in question the fact-finding tribunal must ascertain (subjectively) the actual state of the individual’s knowledge or belief as to the facts, and thereafter, determine whether his conduct was honest or dishonest by applying (objectively) the standards of “ordinary decent people”. There is no requirement (as stated in Ghosh) that the defendant must appreciate that what he has done is, by those standards, dishonest. This paper considers the history and issues relating to the concept of dishonesty, and it examines the six reasons given by the Supreme Court in Ivey for departing from the decision in Ghosh.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,065

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,024
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0080,035
Communication savante0,0130,010
Science ouverte0,0020,008
Intégrité de la recherche0,0110,017
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,368
Écart entre enseignants0,320 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetLegal principles and applicationsTravaux en français237 207