Artificial Intelligence as a Judge: Myth of Impartiality and Legal Risks of Judicial Automation
Notice bibliographique
Résumé
In recent decades, judicial systems in various countries have increasingly adopted artificial intelligence technologies, calling for an in-depth analysis of their potential and the risks they pose to fair justice. This study examines the prerequisites, prospects, and limitations of applying algorithms in judicial practice. The aim of the research is to uncover myths surrounding machine impartiality and to identify the key legal and ethical risks of automation. The objectives include comparing international experience, analyzing regulatory approaches in the United States, Canada, Europe, and Azerbaijan, and formulating conclusions on future development. The research employs an interdisciplinary approach, combining the study of legal norms, practical cases of implementation, theoretical concepts, and socio-legal consequences. The findings reveal the dual effect of algorithms: they accelerate data processing, improve the efficiency of document management, and assist in predicting case outcomes, while at the same time creating risks of reproducing biases, reducing transparency, and undermining public trust. Regional differences are notable: the United States focuses on predictive algorithms, Europe is developing strict regulatory frameworks, while Azerbaijan primarily applies supportive digital tools. Conclusion: Artificial intelligence can serve as a useful tool, but its use should remain within the framework of human rights protection, transparency, and the principle of fairness. The study recommends developing multi-level oversight that combines automation with responsible human participation
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».