MétaCan
Menu
Retour à la cohorte
Enregistrement W3081928491

Correcting Corrections: Resolving Confusion Over the Public Correction Requirement in the Ontario Securities Act

2020· article· en· W3081928491 sur OpenAlexaboutno aff
Adil Abdulla

Notice bibliographique

RevueSSRN Electronic Journal · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal principles and applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPleadingPlaintiffContext (archaeology)Statutory interpretationEconomic JusticeStatutory lawLegislative historyLegislatureInterpretation (philosophy)Political scienceLaw and economicsLawLegislative intentConfusionDamagesEconomicsPsychologyLinguistics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

To bring a class action under Part XXIII.1 of Ontario’s Securities Act (civil liability for secondary market disclosure), plaintiffs must show that there was a public correction. Two judges have split on what this means in practice. Justice Perell has interpreted the requirement broadly, as calling for both semantic and statistical evidence to establish the claim. Justice Belobaba has interpreted the requirement narrowly, as calling for limited semantic analysis and, generally, no statistical evidence. This article seeks to reconcile these two approaches. It argues that the best interpretation of the language of both judges’ decisions points towards the limited approach. It further argues that the limited approach is more consistent with legislative intent, avoids procedural confusion, and produces the best incentives for all capital market participants. In coming to these conclusions, this article also explains how the statutory language relating to public correction can be applied in the context of multiple partial corrections. This feeds into the conclusion, which provides some brief guidance to litigants on pleading, particulars, evidence, and calculating damages in Part XXIII.1 cases.

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)0,033
score de la tête « metaresearch » (Gemma)0,080
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,509
Score d'incertitude au seuil0,977

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0330,080
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0160,029
Communication savante0,0120,006
Science ouverte0,0050,007
Intégrité de la recherche0,0170,012
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,295
Écart entre enseignants0,259 · 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'étudeSans objet
Domainenon disponible
GenreCommentaire

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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic JournalMême sujetLegal principles and applicationsTravaux en français237 207