MétaCan
Menu
Retour à la cohorte
Enregistrement W3113173929 · doi:10.3138/utlj.2020-0110

Taking tort seriously

2020· article· en· W3113173929 sur OpenAlexaffvenue
Stephen A. Smith

Notice bibliographique

RevueUniversity of Toronto Law Journal · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal principles and applications
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésTortLawArgument (complex analysis)SociologyLaw and economicsPolitical scienceLiability

Résumé

récupéré en direct d'OpenAlex

In Recognizing Wrongs, John Goldberg and Benjamin Zipursky argue that tort law is just what ‘it looks to be’ – and that what it looks to be is a law of wrongs and recourse. It is not necessary, in their view, to turn to economics, sociology, philosophy, or any other discipline to understand tort law: it is sufficient to take seriously judges’ reasons for why they decide tort cases as they do. In advancing this argument, Goldberg and Zipursky seek to distinguish themselves from two influential camps in contemporary tort theory: (a) theories that argue that tort law’s rights are ‘rights’ in only a nominal sense and (b) theories that accept that tort law’s rights are genuine but defend those rights by invoking a comprehensive moral theory. In this review essay, I argue that Goldberg and Zipursky largely succeed in their ambitions. The qualifications that I explore are twofold. First, certain tort remedies are not recourse for wrongs, even at the level of appearances. Second, it is not easy to construct a theory of tort law while sticking as close to tort law’s appearances as Goldberg and Zipursky purport to stick. The theory that Goldberg and Zipursky ultimately defend relies on certain philosophic ideas (though it does not rely on a comprehensive moral theory); it is also complex, multilayered, and skeletal in its account of tort law’s primary duties and, thus, arguably less of a ‘theory of tort law’ than those offered by their competitors (though I argue that this feature is a virtue of their account).

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)0,004
score de la tête « metaresearch » (Gemma)0,009
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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0060,013
Communication savante0,0100,013
Science ouverte0,0010,005
Intégrité de la recherche0,0140,012
Charge utile insuffisante (le modèle a refusé de juger)0,0150,003

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 Opus0,029
Tête enseignante GPT0,262
Écart entre enseignants0,233 · 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
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

Citations1
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUniversity of Toronto Law JournalMême sujetLegal principles and applicationsTravaux en français237 207