Mésinterprétation, plagiat, insulte et diffamation : objets de litiges et matériaux de linguistes
Bibliographic record
Abstract
L’appareil juridique repose sur la confrontation de discours, la défense et l’accusation se devant de présenter des positions adverses. Et cette dimension discursive est encore plus réelle lorsqu’il s’agit de « crimes de paroles », c’est-à-dire lorsque des propos sont au centre du litige. Les domaines de l’interdit langagier sont réglementés dans divers codes de lois, mais les interprétations du dicible et de l’indicible sont aussi multiples que subjectives. Dans le champ de l’exploration linguistique du domaine juridique, se côtoient schématiquement trois sous-ensembles de recherche : 1) ce qui a trait à la rédaction des textes de loi, qui inclut l’anticipation des interprétations potentielles des énoncés ; 2) les recherches qui concernent la validité de la preuve fondée sur le discours des témoins ou des accusés ; 3) les discours litigieux, qu’il s’agisse de l’interprétation d’énoncés préjudiciables (la diffamation par exemple) ou de la ressemblance entre deux textes (le plagiat). C’est ce domaine des discours litigieux que j’explore en rendant compte de demandes d’expertises auxquelles j’ai répondu et des outils conceptuels et méthodologiques qui ont été déployés pour qu’un avocat trouve une réponse satisfaisante à sa question. En conclusion se pose une réflexion éthique sur la tension entre la pratique universitaire qui repose sur le questionnement continuel et la présentation de la preuve en cours qui ne tolère aucune remise en perspective.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.006 | 0.029 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".