MétaCan
Menu
Retour à la cohorte
Enregistrement W3122989730 · doi:10.7202/1074418ar

Criminal Law and Digital Technologies: An Institutional Approach to Rule Creation in a Rapidly Advancing and Complex Setting

2021· article· en· W3122989730 sur OpenAlexvenueaboutno aff
Colton Fehr

Notice bibliographique

RevueMcGill Law Journal · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLaw in Society and Culture
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislatureParliamentNormativeInstitutionPolitical scienceEmerging technologiesStrengths and weaknessesLaw and economicsSociologyPublic relationsLawPublic administrationComputer sciencePoliticsPsychologySocial psychology

Résumé

récupéré en direct d'OpenAlex

Courts and legislatures in Canada and around the world have struggled to respond effectively and efficiently to the challenges posed by the use of rapidly advancing and complex technologies. As a result, scholars have debated the appropriate role of each institution with respect to governing privacy in the digital age. This debate has provided foundational evidence upon which to develop a normative framework for governing digital privacy. Yet, the Canadian literature has only sparsely addressed the ability of Canadian legislatures to respond to the challenges presented by the use of digital technologies. This article begins to fill the gap in the literature by asking whether Parliament has been able to reply to the use of complex and rapidly advancing technologies in an efficient, coherent, and fair manner. I conclude that Parliament’s legislative framework for governing state intrusions into digital privacy has been patchwork and inconsistent. After comparing these findings to the literature on the relative institutional capacity of courts, I outline a general strategy for ensuring each institution tasked with governing digital privacy is working to its strengths, not its weaknesses.

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)0,028
score de la tête « metaresearch » (Gemma)0,040
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,236
Score d'incertitude au seuil0,469

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0280,040
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,005
Études des sciences et des technologies0,0170,126
Communication savante0,0350,016
Science ouverte0,0060,012
Intégrité de la recherche0,0090,010
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,028
Tête enseignante GPT0,294
Écart entre enseignants0,266 · 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'étudeThéorique ou conceptuel
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

Citations2
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMcGill Law JournalMême sujetLaw in Society and CultureTravaux en français237 207