Artificial Intelligence & Transformation of Indian Judicial System: A Study
Notice bibliographique
Résumé
The wheels of justice need to keep rotating. If a spoke gets loose, the entire machinery is taken for a toss and leads to justice not reaching the needy at a time when needed. Due to delay in disposal of cases by the Indian judiciary, AI has become an important talking point. Judiciary in some parts of developed countries like U.S.A and Canada has already deployed AI systems to assist the judges on taking a call on matters like granting of bail and release of offenders on parole. The rapid technological changes and computational power available in AI have made the judiciary embrace it. As Artificial Intelligence has already proved its worth in different fields such as medicine by assisting doctors in conducting surgeries, transportation in the shape of self-driving cars, marketing by tracking consumer buying patterns, etc., it will definitely be a blessing to ensure sustainable and speedy justice delivery system. Therefore, use of Artificial Intelligence in decision making in courts is a viable solution for bringing down the pendency of cases not only in India but also in other jurisdictions and ensuring speedy and sustainable justice delivery systems across the world. However,unambiguously stating that judicial artificial intelligence is never a replacement for human judges is crucial. The study aims to investigate the relationship between AI and Indian judicial system, investigating significant implications, benefits and obstacles when these two areas merge.By emphasizing the improvement of efficiency, precision and ethical concerns this piece explores the potential for AI to bring about transformative changes in different facets of the Indian judicial system.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».