Safeguarding Trials from Racial Bias
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is much to learn from the trial of Saskatchewan farmer Gerald Stanley on the dangers of not directly confronting the potential impact of racial bias on the trial process. Stanley was acquitted in February 2018 by an all-White jury in the shooting death of 22-year-old Cree man Colten Boushie. The law gives us tools to safeguard trials from racial bias that we shouldn’t ignore. One of these tools is the law of evidence. The law of evidence is a set of rules aimed at regulating the admissibility and use of evidence, in order to fairly promote the search for truth. It recognizes that judges and jurors bring to court every day assumptions about human experience and behaviour that are grounded in unreliable, stereotypical or discriminatory assumptions. That is precisely why it gives judges a discretion to exclude evidence where its prejudicial effect outweighs its relevance or probative value. And why we have rules, for example, that make prior sexual history evidence in sexual assault cases or evidence that paints an accused in a negative light (bad character evidence) presumptively inadmissible. Unfortunately, despite the fact that Indigenous, Black and Brown lived experiences are disproportionately before courts consisting of largely White jurors or judges, we have failed to ensure that our rules of evidence protect against racial bias in the same way that they do against other types of unreliable and discriminatory generalizations. The Stanley trial is a stark reminder of this reality. This short piece examines the Stanley trial and how the law of evidence can incorporate systemic racism as a lens to address issues of admissibility.
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.
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 | 0,019 | 0,009 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle