Summary Legal and Technical Report on Spent Convictions
Notice bibliographique
Résumé
This legal and technical report on Spent Convictions modelling summarises the findings and results already presented in Deliverables DC3.1 - DC3.6 and provides concluding perspectives. This report includes a brief overview of the preliminary conceptual work and notes on the Spent Convictions Scheme solution prior to its semi-automated modelling. This report should ideally be read in conjunction with the earlier project deliverables: DC3.1 introduces the subject; DC3.2 presents the clustering for the survey on legal compliance; DC3.3 presents the roadmap towards publishing law as data using Natural Language Processing (NLP) tools; DC3.4 describes in more detail the Spent Convictions Scheme; DC3.5 elaborates on the potential interpretative issues and impact of Crimes Act 1914 (Cth) (Part VIIC – Division 3: Sections 85ZV, 85ZW and Associated Definitions); and DC3.6 analyses the case law perspective. This report briefly discusses (i) the survey on legal compliance in which the difference between regulatory and legal compliance is grounded; (ii) the legal issues raised by the Spent Convictions Scheme (steps, interpretations, case law and privacy); (iii) the Spent Convictions Scheme modelling in defeasible semantic logic, (iv) and Natural Language Processing (NLP) techniques and applications. D3C.7 therefore summarises the results and findings of the Project and offers a proof of concept.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,011 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».