Admissibilité de preuves issues de techniques d'apprentissage automatique en droit criminel canadien
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ce mémoire se penche sur l’un des effets de l’émergence d’outils d’intelligence artificielle sur la pratique du droit. En particulier, nous traitons de l’admissibilité de la preuve issue d’outils utilisant la technique de l’apprentissage automatique, une branche de l’intelligence artificielle. Nous cherchons à établir la fiabilité de cette technique pour fins d’admissibilité en tant que preuve. Nous débutons en cernant la notion de fiabilité d’une preuve scientifique en droit canadien. Nous abordons ensuite les composantes et le fonctionnement de l’apprentissage automatique. Nous analysons les divers aspects de sa fiabilité en soulevant ses vulnérabilités, ce qui nous permet de dégager les conditions propices à la fiabilité de la technique. Nous recensons les instruments légaux qui imposent ou renforcent ces conditions et terminons avec une illustration concrète d’un témoignage expert sur une telle preuve, soit le cas d’un outil visant à cerner l’identité d’un locuteur. Notre démarche nous incite à remettre en question le rôle du tribunal dans l’établissement de la fiabilité d’un outil d’apprentissage automatique, une tâche qui défavorise l’inculpé. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Intelligence artificielle, apprentissage automatique, admissibilité, preuve scientifique, fiabilité, reconnaissance du locuteur.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 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 découle