Enabling Efficient Legal Service Delivery: Lessons from Medical Informatics
Notice bibliographique
Résumé
The legal market is has recently entered into a period of drastic change. The liberalization of legal business structures in the United Kingdom, along with the long overdue adoption of technology and process improvement, has opened the door to newer, more efficient forms of legal service delivery. Experts have predicted that legal service providers of the future will have little in common with traditional law firms. For instance, they will use modern methods of project, workflow and case management, supported by a range of specialized software applications. Many legal services will be delivered by multi-disciplinary teams, distributed across time zones and jurisdictions, and supported by software that integrates with client systems. Eschewing the legal technology community’s use of ‘disruption theory’, we believe that a more promising method for developing information systems is to learn from industries that have been forced to develop systems to solve similar problems. In particular, we believe that the legal informatics community can learn a great deal from the study of medical informatics. Health care providers have decades of experience in deploying real-world, mission-critical systems in rapidly changing and dynamic environments rife with ethical and regulatory obligations. For instance, the use of multi-disciplinary teams distributed across care settings is increasingly common in health care; as a result, many of the key issues in designing workflows to support collaboration have studied extensively in medical settings. This paper presents an analysis of key lessons learned in medical informatics that also apply to the legal industry. One of its basic themes is that practical, large-scale, legal information systems are inherently socio-technical, and should be informed by appropriate engineering methodologies that have already been adopted in other fields.
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».