MétaCan
Menu
Retour à la cohorte
Enregistrement W4416677650 · doi:10.1109/iccams65118.2025.11234043

Adhikaar: A Mobile-Based AI Solution for Legal Aid and Rehabilitation of Undertrial Prisoners in India

2025· article· W4416677650 sur OpenAlexaff
Sumathi Shanmuganandam, Vimal Shanmuganathan, Vaishnaw G. Kale, S Praanesh, Ran Darshan

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineSocial Sciences
ThématiqueArtificial Intelligence in Law
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesnon disponible
Mots-clésRehabilitationMental healthKey (lock)ScalabilityMental illness

Résumé

récupéré en direct d'OpenAlex

Adhikaar is an AI-driven mobile platform aimed at addressing the legal, mental health, and rehabilitation needs of undertrial prisoners in India. Leveraging AI technologies, including the Nyaya Mitra chatbot, and secure blockchain-based legal document management, Adhikaar connects prisoners with legal aid, offers vocational training, and provides mental health support. This paper outlines the architecture and methodologies behind Adhikaar, highlighting its use of AI for legal assistance, secure document handling, and comprehensive rehabilitation programs. Our key contributions include the integration of AI and blockchain technologies for personalized legal guidance, secure case management, and scalable rehabilitation solutions. Preliminary results demonstrate the platform's potential to reduce case delays, enhance legal support, and promote the successful reintegration of prisoners into society.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,638
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,002
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,369
Écart entre enseignants0,345 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetArtificial Intelligence in LawTravaux en français237 207