Artificial intelligence's impact on legal journals challenges and opportunities for the Ottawa Law Review
Notice bibliographique
Résumé
"This book provides an overview of the opportunities and challenges presented by the use of artificial intelligence (AI) and its impact on legal journals, notably the Ottawa Law Review (OLR). Throughout the publication lifecycle of a given piece, AI tools may play a pivotal role in enhancing the editorial and publishing processes. Similarly, authors submitting to legal journals may also leverage AI tools for purposes that range from improving readability to content generation. While the potential benefits are significant, the use of such tools raises various issues pertaining to the accuracy and quality of publications, as well as broader ethical and legal issues. Journals--both legal and non-legal--have responded to these opportunities and challenges at different speeds and in different ways. Some journals in non-legal disciplines have developed extensive AI policies, while the majority of legal journals--particularly in Canada--appear to be falling behind in this regard. This report contains several recommendations that will empower the OLR to embrace the transformative potential of AI responsibly while maintaining its commitment to safeguarding privacy, intellectual property, and scholarly rigour. Central to this endeavour is the adoption of three AI policies: one covering the use of generative AI and AI-assisted technologies in submissions, another addressing AI usage in the peer review process, and a final one relating to the editorial team. This report ultimately aspires to ensure the OLR upholds its reputation as a reliable contributor to legal scholarship by guiding the organization through this new technological revolution."--
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 | 0,037 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,014 | 0,009 |
| Études des sciences et des technologies | 0,024 | 0,018 |
| Communication savante | 0,050 | 0,011 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,018 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,004 |
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 ».