Fairness in class action settlements
Notice bibliographique
Résumé
To be made effective, class action settlements must be negotiated fairly, be perceived as fair and reasonable by the settlement parties such that they agree to their terms and substance, and be characterized as fair, reasonable and adequate by a court at the occasion of a settlement approval hearing. But how is settlement fairness defined, in a collective litigation context? By which process is the evaluation of fairness made and the approval given by the court? What role does the court correspondingly have, in that context? This thesis explores the legal policy and reasoning behind the mandatory judicial approval of class settlements, the process by which it is sought and obtained, the currently relevant factors and indicia of settlement fairness which support all decisions to approve, and the roles of the principal settlement actors, particularly the settlement judge. It suggests hypotheses for reform applicable to these approval processes, roles of the actors and standard of settlement fairness. These hypotheses are tested, for their plausibility, against empirical data obtained from the qualitative interviews of seventeen judges conducted by the author in four target jurisdictions that have similar approaches to class action settlement approvals, and where class action litigation activity is heavy: Quebec, Ontario, British Columbia, and the United States federal courts. Ultimately, the thesis proposes final recommendations for reform of the class action settlement approval procedure.
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 | 0,066 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,018 | 0,038 |
| Communication savante | 0,017 | 0,009 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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.
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 ».