Reading Law's Great Unread: Qualitative Computational Methods, Artificial Intelligence and the New Empirical Legal Research
Notice bibliographique
Résumé
How will new computational technologies change legal research and our visions of what law is? Inspired by the work of digital humanists, Bourdieu, and sociologists of literature, this dissertation explores how the methods of “distant reading” can be used to develop new classes of critical insights about law. After situating the project theoretically, this dissertation reports on a series of new computational studies about Canadian law. Chapter 1 measures Canadian statutory and regulatory law, showing that law has grown unevenly over the past decade and a half. Chapter 2 uses new artificial intelligence to transcribe and analyze Supreme Court of Canada hearings, revealing gendered and linguistic speaking patterns among justices. Chapter 3 shows how computational methods can be deployed to detect inconsistency and discord in a jurisprudence, in this case Canada’s law of terrorism. Chapter 4 uses machine learning to study refugee law jurisprudence, particularly showing how it has developed over the past decade. Chapter 5 leverages new computational techniques to analyze Social Security Tribunal of Canada decisions regarding employment insurance appeals and suggests that new computational analyses might usefully change legal education. It concludes by considering how some visions of computational legal analysis—despite the sweep and scope of their projects—are part of old and traditional visions of what law is.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,079 |
| Communication savante | 0,015 | 0,018 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».