MétaCan
Menu
Retour à la cohorte

Tort Liability Under Uncertainty

2001· book· en· W570441982 sur OpenAlexaboutno aff
Ariel Porat, Alex Stein

Notice bibliographique

RevueOxford University Press eBooks · 2001
Typebook
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLaw, Economics, and Judicial Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTortLiabilityActuarial scienceBusinessLaw and economicsEconomicsAccounting

Résumé

récupéré en direct d'OpenAlex

Uncertainty is present in virtually every tort litigation. Generally, courts tackle the uncertainty problem by requiring the plaintiff to prove his case by the preponderance of the evidence. However, on numerous occasions tort plaintiffs encounter systematic difficulties in establishing their allegations against defendants. This phenomenon is prevalent in the area of mass torts, which has occupied the centre of the tort law agenda in the past three decades. In this area, victims of torts systematically fail to establish their lawsuits against wrongdoers even when it is clear that the latter are responsible for enormous damages. The uncertainty problem is not limited to the mass tort context. In many other contexts, tort and evidence law doctrines also fail to offer satisfactory solutions to that problem. Typically, this failure occurs in cases that involve indeterminate causation, an evidentiary barrier that prevents factual attribution of the litigated damage to the defendant’s wrongdoing. Due to this failure, victims of torts are left under-compensated and their wrongdoers under-deterred. This book provides a treatment of the problem of uncertainty in torts at both doctrinal and policy levels. It presents and critically examines the existing doctrinal solutions of the problem. It also offers a number of original solutions to the problem, such as imposition of collective liability and liability for evidential damage. The book combines the traditional doctrinal depiction of the law, as evolved in England, Canada, United States, and Israel, with general theoretical insights that include economic analysis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,013
Communication savante0,0070,006
Science ouverte0,0010,004
Intégrité de la recherche0,0050,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,035
Tête enseignante GPT0,192
Écart entre enseignants0,157 · 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 source (Gemma direct ou Codex distillé), 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
GenreAutre

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

En bref

Citations79
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford University Press eBooksMême sujetLaw, Economics, and Judicial SystemsTravaux en français237 207