Notice bibliographique
Résumé
To start, I am going to try to jog your memory a little bit.You studied law at King's College, University of London; why did you decide to study law?Janet Baldwin (JB): In those days, law in England was and still is a first degree, which meant I was very young when I was going to law school and when I started teaching.There was no such thing as career counselling, so it was not that anyone guided me towards law.Certainly it was not in the family.I was interested in debating, and logic, and I thought law would be interesting.In England, unlike here, law was not necessarily seen as a route to practice or not only seen as such.It is in a sense a general formation.I had other interests but many of them seemed less practical, such as linguistics.There were not many women in law school at that time, either as students or faculty, but there were some.I think things had changed on that front earlier in England than in Canada because of the war, with women entering professions that were previously perceived as male occupations.Although there were not many of us, there was a group of us.RT: Since you have agreed to let me test your memory, do you remember how many women were in your class, even a rough estimate? Interview conducted by Jessica Davenport and Ryan Trainer.Janet Baldwin graduated with an LL.B from the University of London King's College in 1964 and an LL.M from the University of Illinois, after attending the
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 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,003 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,007 |
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 ».