Defamation in the Age of Digital Age: With the Rise of Social Media, Defamation Law Has Evolved Significantly
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Defamation law has been involved in protecting individual reputation from the ancient times against slander and libel and has undergone uncommon transformation in the digital era. The growth of social media apps/platforms such as Facebook, twitter, Instagram, snapchat and blog forums have revolutionised how people can express their opinions and way of communication. However, this transition has vanished the boundaries between free speech and defamation. In the digital age, reputational harm can be immediately and globally occurred giving rise to complex legal challenges concerning jurisdiction, anonymity, intermediary liability, and durability of online/digital content. This paper examines how defamation law has evolved in the digital era, especially in India, Canada and Australia. It demonstrates how traditional or old laws are unable to handle digital cases. India still uses the colonial defamation provisions under the Indian penal code, 1860, and the information technology act, 2000. However, Canada and Australia have made various reforms. Canada's courts have put limitations on where online cases can be filed whereas Australia has introduced ‘serious harm’ and extended responsibility for digital content. This paper concludes that India needs to modernise its laws. It recommends three main changes- making a “serious harm” test for online defamation, setting clear rules and legal principles for jurisdiction and providing proper guidelines for social media platforms (platform owners and users). These will help protect both people’s reputation and right to freedom of speech.
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.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 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 découle