Notice bibliographique
Résumé
Much has been written about how automation will change the legal profession as a whole, less so about how automation might affect women in legal practice. This paper briefly maps the likely changes that legal tech (legal technology) will bring to the provision of legal services, and explores how these changes might affect the barriers to advancement that women face in the profession. It determines that, while the use of legal tech may improve women’s work/life balance and overall job satisfaction by bringing about more flexible working hours, positive changes to the billing hours’ system, and fairer hiring and promotion mechanisms, an unfettered inclusion of legal tech might lead to increased working hours for less wages, increased competition for case files among associates, and the perpetuation of existing gender biases when using algorithms in the hiring and promotion process. Finally, the paper makes several recommendations on how law societies, bar associations and other relevant regulatory bodies could ensure that legal tech promotes rather than hinders Equality & Diversity in the legal profession. It proposes that: (1) detailed data on men and women lawyers should be collected to better inform equality and diversity policies; (2) law firms should be required to report on their progress in pursuing equality and diversity; (3) management techniques to promote work/life balance and more flexible pricing systems should be encouraged; (4) female entrepreneurship in legal tech should be promoted; and, (5) technological due process procedures should be required when using algorithms in law firm management to ensure fairness, accuracy and accountability.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».