Notice bibliographique
Résumé
We have grown accustomed to the incredibly effortless “click to agree” mechanism as part of the quotidian in our digital lives. We routinely agree to terms and conditions to visit websites or consent to the “fine print” that we rarely read in online transactions because we assume those terms and conditions, had we the time to read them, are not unexpected. However, when an algorithm becomes an actor in this process, selecting the standard terms to which we are habitually agreeing, it gives us pause for thought: what are the implications of an algorithm filling in for human expertise in the contracting process? This chapter will investigate the challenges and opportunities posed by the emerging algorithmic contract in Canadian contract law. These types of contracts are contingent upon algorithmic decision-making, and supplemental to human decision-making in the contracting process. Through an analysis of the Canadian landmark case of Uber Technologies v. Heller (2020) as an algorithmic contract, this chapter sees the rise of the algorithmic contract as part of the contentious and continuing story of the technologizing of contract. Uber v. Heller may be viewed as a “high-water point” in contract law, thus providing the opportunity for future case law to deal with issues created by algorithmic contracts. The chapter concludes by advancing one avenue for which there is an existing footprint whereby contract law could deal with algorithmic contracts in the business-to-consumer context. This route may be suggestive for other areas grappling with the algorithmic turn in law.
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 | 0,019 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,017 | 0,071 |
| Communication savante | 0,019 | 0,019 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».