Notice bibliographique
Résumé
Private ordering – where private actors regulate, enforce, and resolve disputes on their own – has in recent years expanded across business, commercial, and financial sectors. Parties have economic and reputational incentives to take this approach over adjudication by the courts. Parties may prefer private ordering for reasons of process, substance, or both. Even when disputes come before them, courts often defer to parties’ private ordering. Their rationale is that the parties possess a stronger understanding of their intentions than do the courts. This strong assumption, however, depends on parties’ knowledge and relative bargaining strength. In many instances, parties operate under incomplete or imperfect information; additional information could allow parties to enter into more efficient and more fair agreements ex ante, while better informing courts’ approach to adjudicating disputes arising from private ordering ex post. The emergence of artificial intelligence (AI) in legal technology – specifically, in its ability to analyse vast amounts of data – can help advance this augmented informational objective. If made broadly accessible, AI has the potential to equalize information and bargaining power between parties. An empirical evaluation of the validity of assumptions that underpin the general support for private ordering can also be instructive for judges. For this reason, courts have an important role to play in the evolution of private law. Their ability to understand and harness AI can lead in the short term to more effective judicial oversight with respect to private ordering. Over the long term, courts can empower parties to make more informed choices when interacting with one another, reducing inefficiencies and rents.
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 | 0,114 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,016 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,030 |
| Communication savante | 0,013 | 0,021 |
| Science ouverte | 0,008 | 0,008 |
| Intégrité de la recherche | 0,014 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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.
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 ».