It is Our Flaws That Make Us Humane: How Technology Ruined Judicial Craft
Notice bibliographique
Résumé
There is ample evidence that people are not completely rational. They suffer from a series of biases that limit their abilities to make the best decisions and to stick to them. Judges are a unique group of people. They go through many years of training that counter some of these biases, but not all of them. In fact, there is a whole field of research dedicated to predicting how judges, with their human flaws, are going to behave. But today, judges can use an increasing number of artificial intelligence (AI) tools to assist with their craft, particularly with research and with writing. Technology offers judges the possibility of transcending their human flaws and letting machines produce flawless legal texts. As tempting as this vision sounds, this paper warns that it may quickly turn dystopic. The reason is that the flaws that make people and the work they produce imperfect are also necessary to maintain the values cherished by humanity. Judges assisted by AI may avoid certain human biases but lead to outcomes that are inhumane.
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 | 0,015 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,070 |
| Communication savante | 0,024 | 0,031 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,014 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».