Stating it Simply: A Comparative Study of the Quantitative Readability of Apex Court Decisions from Canada, Australia, South Africa, the UK, and the USA
Notice bibliographique
Résumé
Even though common law courts create and articulate the law within their decisions, we know surprisingly little about the quantitative readability levels of any single national apex court’s decisions, and even less about how any one apex court’s readability levels compare to those of other similar apex courts. This article offers new data and analysis that significantly reduces our blind spots in these areas, by reporting the results of an original empirical study of the readability of judicial decisions released in 2020 from the apex courts of five English-speaking jurisdictions. The article draws on applied linguistics theory and Natural Language Processing techniques in order to provide both uni- and multi-dimensional readability scores for the 233 judicial decisions (comprising more than 3 million words of text) that form the corpus of this study. The results show that readability levels vary by approximately 50% between the most- and least-readable jurisdictions (USA and Australia, respectively). The article then analyzes the data comparatively in order to determine whether institution- or jurisdiction-specific factors are capable of explaining readability variances between the different courts. The article concludes that certain comparative factors, such as the average panel size used by each court, and the ratios of both former law professors and women who sit on panels in each jurisdiction, are capable of explaining 23.7% of the total variances in readability scores. These findings may help judicial and executive branch decision-makers to better understand how their court’s decisions stack up against other courts in terms of readability, and offer insights as to how readability levels could be enhanced.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».