Notice bibliographique
Résumé
Abstract This paper argues that robust human oversight in justice system deployment of artificial intelligence is not a mere contemporary regulatory response, but an intrinsic requirement deeply embedded within diverse global legal traditions. As AI becomes increasingly integrated into justice processes, the prevailing “human in the loop” paradigm must be critically examined, as it often proves insufficient in addressing algorithmic opacity, bias, and potential epistemic injustice. This article explores foundational principles of human-centric adjudication across international common law, civil law, Global South, and Indigenous legal traditions, highlighting the enduring importance of procedural fairness, judicial independence, and the duty to give reasons. This paper posits that “human in the loop” is not a modern accessory but a principle with deep, inherent roots in these traditions. To preserve justice’s foundational human-centric nature, this analysis argues for an evolution from a jurisdiction-specific “human in the loop” model to a globally informed governance model incorporating the “society in the loop” framework, as first proposed by Iyad Rahwan. Through a comparative analysis of judicial AI adoption and governance structures in Canada, the European Union, and the Global South, the article assesses how existing legal norms are challenged or upheld. It ultimately proposes an “intertraditionalist” approach to AI governance that acknowledges legal pluralism, aligning AI deployment with foundational principles to maintain judicial integrity and ensure epistemically just outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».