MétaCan
Menu
Retour à la cohorte
Enregistrement W2976299637

Hot Bench: A Theory of Appellate Adjudication

2019· article· en· W2976299637 sur OpenAlexaff
Terry Skolnik

Notice bibliographique

RevueeYLS (Yale Law School) · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueAmerican Constitutional Law and Politics
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésArgument (complex analysis)Supreme courtAdjudicationPolitical scienceLawLaw and economicsSociology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The Supreme Court justices are talking. And they are talking more than ever during oral argument. The term “hot bench” implies that appellate judges engage in vibrant verbal exchanges with the parties during oral hearings. As part of the new oral argument, Supreme Court justices now speak more while the parties speak less, they interrupt both their colleagues and the parties (especially women) more frequently than in the past, and some of their questions advocate for positions rather than seek information. A hot bench raises crucial concerns about the nature of oral argument and appellate judges’ role in a constitutional democracy. This Article addresses those concerns and advances a theory about the connection between a hot bench and appellate adjudication. It provides a new account of how active hearings can promote certain functionalist and democratic virtues of oral argument that cold benches and written decisions cannot. Appealing to asymmetric information theory in economics, this Article demonstrates how judges form majorities through signaling and screening. A more well-rounded account of a hot bench’s value, however, requires an examination of its vices as well as its virtues. This Article concludes by demonstrating why appellate judges must avoid particularly costly trade-offs and how they can do so.

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)0,011
score de la tête « metaresearch » (Gemma)0,016
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 enseignants0,014
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,016
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0060,023
Communication savante0,0120,011
Science ouverte0,0020,004
Intégrité de la recherche0,0060,005
Charge utile insuffisante (le modèle a refusé de juger)0,0140,002

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 Opus0,016
Tête enseignante GPT0,272
Écart entre enseignants0,256 · 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

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeYLS (Yale Law School)Même sujetAmerican Constitutional Law and PoliticsTravaux en français237 207