Justice Côté in 2019: Great Dissenter, Voice of the Court, or Both?
Notice bibliographique
Résumé
This article analyzes quantitative data extracted from decisions of the Supreme Court of Canada as a way to provide a picture of the year 2019. More precisely, this paper focuses on Côté J. and her contribution to the Court. It also looks at the Court’s trends in 2019 with a gender lens and thus expands on existing literature. Guided by two hypotheses, the article divides its analysis into three parts, which each examine a specific topic: dissents and concurrences (3.1), frequency of agreement (3.2), and majority authorship (3.3). The first hypothesis suggests that Côté J. is more likely to dissent and less likely to agree with her colleagues (measured through the frequency of agreement and participation, or lack thereof, with majority reasons). The second hypothesis builds on the first one and proposes that Côté J. is less likely to author a majority opinion. The first hypothesis found validation, whereas the second did not. While it is true that Côté J.’s contribution to the Court in 2019 can be examined through her dissents, we should note the following nuances: she (1) shared the top of the dissenting chart with Brown J.; (2) dissented in only one of the oral judgments in which she took part; (3) was chosen by the Chief Justice to be the voice of the Court for half of the unanimous decisions; and (4) had a majority authorship rate akin to her colleagues’ average. Finally, given our sample size, we could not conclude that gender had a definite impact either on concurrences and dissents, frequency of agreement, or majority authorship. This does not mean that no gender-related data is discussed in this paper.
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 | 0,008 | 0,045 |
| 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 | 0,013 | 0,007 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».