A Conversation About Canadian Legal Education: Lakehead University and Dialogue Pedagogy
Notice bibliographique
Résumé
Through my experiences opening the first new law school in Ontario in 44 years, I have had time to reflect on my own teaching style and have employed what has been termed “Dialogue Pedagogy.” Using an auto-ethnography methodology in this paper, I will examine ways of teaching the law including the case-law system of study distilling black-letter law and the Socratic Method which is widely considered the preferred method in legal education. I argue that there is a better, and more humane, way to teach our law school students. Experience has shown that although students get training on issue identification, they are not taught to plan a solution by dialoguing with the relevant actors. It has been my challenge to come up with an adequate teaching and evaluation method that allows students to do an interactive assignment. I have found that law students need more opportunities to access their emotional intelligence and interactions with real people, and I have captured this skill in my mandatory 1L Tort class through an exercise I call the “Torts Crime Scene.” Connecting our students to life and humanity and having empathy for others is perhaps one of the most important things that we do. Having students learn dusty legal maxims is, for good or bad, essential. However, being able to connect what they are learning to them personally, their family, their friends, their fellow human beings is paramount. Our students have changed, and so too, our teaching must change. The transformation cannot simply be a system of add-ons but of fundamental review and evolution.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,081 | 0,019 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,001 |
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.
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 ».