MétaCan
Menu
Retour à la cohorte
Enregistrement W6893336036 · doi:10.5281/zenodo.15079906

Entre o Discreto e o Contínuo: Desafios e Oportunidades para o Ensino e a Prática Jurídica

2025· preprint· pt· W6893336036 sur OpenAlexaff

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2025
Typepreprint
Languept
DomaineSocial Sciences
ThématiqueArtificial Intelligence in Law
Établissements canadiensWSP (Canada)
Organismes subventionnairesnon disponible
Mots-clésGovernment (linguistics)Field (mathematics)Perspective (graphical)Order (exchange)Context (archaeology)Scope (computer science)ConstitutionAction (physics)Work (physics)Normative

Résumé

récupéré en direct d'OpenAlex

Resumo: Este artigo explora a tensão entre a natureza discreta da computação e a dimensão contínua da experiência jurídica, argumentando que essa tensão representa um desafio fundamental para a aplicação da inteligência artificial (IA) no Direito. A partir de uma revisão bibliográfica e de um diálogo interdisciplinar (Filosofia da Mente, Física Quântica, Ciência da Computação, Teoria do Direito), o artigo analisa os fundamentos teóricos da IA, suas implicações para o Direito e os desafios para o ensino jurídico na era digital. A obra de Pontes de Miranda é utilizada como referência para a análise da complexidade do Direito, e a crítica à Teoria do Fato Jurídico serve como estudo de caso. O artigo discute os riscos da IA (vieses, falta de transparência, etc.) e propõe a adoção do conceito de sistemas híbridos com clusters humanos, onde a colaboração entre juristas e máquinas é fundamental. São apresentadas propostas para a reformulação dos currículos de Direito e para o desenvolvimento de novas competências nos profissionais da área. O artigo conclui que o futuro do Direito depende de uma abordagem ética, responsável e interdisciplinar da IA.

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)0,003
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,930
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0090,002
Communication savante0,0040,001
Science ouverte0,0050,007
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0830,024

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 Opus0,119
Tête enseignante GPT0,348
Écart entre enseignants0,228 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetArtificial Intelligence in LawTravaux en français237 207