L’accès à la justice en contexte numérique : l’information juridique par et pour les justiciables sur les médias sociaux
Bibliographic record
Abstract
Au Québec et au Canada, l’accès à la justice est une préoccupation croissante pour les milieux juridique, politique et universitaire. L’inaccessibilité financière des services juridiques engendre plusieurs problèmes pour un nombre important de justiciables, tout comme l’inaccessibilité cognitive de l’univers juridique. C’est dans ce contexte que les technologies de l’information et de la communication [TIC] occupent une place importante dans les discussions sur les manières de rendre la justice plus accessible. Elles auraient notamment le potentiel de fournir des ressources plus intelligibles et accessibles aux justiciables. Les médias sociaux en particulier pourraient démocratiser l’information juridique dans la mesure où ils sont faciles d’utilisation, rassemblent une diversité de contenus et sont de plus en plus ancrés dans les activités quotidiennes. Malgré l’intérêt que suscitent ces plateformes sur le plan de l’accès à la justice, leurs usages relatifs à l’information juridique restent à explorer pour la recherche en droit. Le présent article s’intéresse à ces plateformes, et en particulier au média social Facebook, qui a pour particularité de mettre en scène des internautes qui sont à la fois créateurs, récepteurs et relayeurs de contenus d’information juridique. Nous proposons finalement une typologie utile à la recherche sur le thème du droit et des médias sociaux.
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.015 | 0.010 |
| Scholarly communication | 0.015 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.031 | 0.002 |
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".