MétaCan
Menu
← Retour à la cohorte
Enregistrement W3155074877

Digital Evidence and the Adversarial System: A Recipe for Disaster?

2017· article· en· W3155074877 sur OpenAlexaff
Colton Fehr

Notice bibliographique

RevueSSRN Electronic Journal · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCriminal Law and Evidence
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésAdversarial systemLegislatureDeferenceJudicial deferenceConstitutionalityPolitical scienceLaw and economicsAdjudicationLawEconomicsSupreme court
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Scholars have observed that the adversarial system tends to provide courts with only a “small snapshot of the technological whole,” which in turn forms the record upon which broader legal pronouncements occur. As a result, they contend that legislatures should be more proactive in making rules governing complex and rapidly advancing technologies, and that courts must show deference to these rules. Other scholars retort that, in practice, legislatures often fail to update obviously flawed and outdated privacy provisions. Whether due to special interest influence, majoritarian dislike of criminal suspects, or other institutional constraints, legislative responses have been wanting. As such, courts often play a pivotal role in governing novel technologies. To help courts bear their burden more effectively, I make two general proposals. First, when courts must make or decide on the constitutionality of a rule, I suggest that the legislature should utilize the reference procedure, which is not inhibited by traditional trial constraints. Second, to aid courts in applying existing rules, I recommend tasking an independent institution with providing up-to-date reports of the current state of technologies expected to come before the courts. Counsel may use such complex and timely research to address gaps in technological evidence at trial.

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)0,052
score de la tête « metaresearch » (Gemma)0,113
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: Commentaire
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,277

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0520,113
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,003
Études des sciences et des technologies0,0070,062
Communication savante0,0230,051
Science ouverte0,0050,016
Intégrité de la recherche0,0200,030
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

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 Opus0,035
Tête enseignante GPT0,332
Écart entre enseignants0,297 · 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
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSSRN Electronic Journal→Même sujetCriminal Law and Evidence→Travaux en français237 207→