Defamation Law Basics: Understanding Slander and Libel in the Indian Perspective
Notice bibliographique
Résumé
Defamation law in India addresses the protection of people's reputations against false and harmful statements, balancing this with the right to freedom of expression. This article explores the distinctions between slander (spoken defamation) and slander (written or published defamation), and the legal frameworks governing civil and criminal defamation in India. Examines the essential elements of defamation, such as falsehood, publication, harm and fault, and outlines key defences such as truth, good faith, public interest and privilege. Notable cases such as Subramanian Swamy v. Union of India and Rajagopal v. State of Tamil Nadu illustrate the judicial approach to defamation. The article also analyzes the impact of digital communication on defamation, addressing online defamation, jurisdictional challenges and the liability of intermediaries. Compares India's defamation law with that of other jurisdictions, such as the United States, the United Kingdom, Australia and Canada, highlighting emerging trends such as digital defamation, the role of AI in content moderation and the importance of international cooperation. Ultimately, the article highlights the need for balanced defamation laws that protect reputations while promoting freedom of expression in a rapidly evolving communications landscape.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,060 |
| Communication savante | 0,021 | 0,014 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,007 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».