Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Bien que nombreux, les travaux sur le développement de dispositifs algorithmiques et d’IA dans le domaine de la justice tendent à se pencher soit sur la conception des outils, soit sur leurs usages, ce qui invisibilise les phénomènes qui se jouent à l’intersection des deux. À rebours de la tendance générale, cet article s’appuie sur une enquête par entretiens menée auprès de concepteurs et d’utilisateurs d’un même dispositif pour proposer une analyse croisée de sa production et de son utilisation.Cette recherche permet d’établir deux résultats principaux. Premièrement, l’outil étudié ne relève pas d’une approche strictement quantitative du droit : le processus de conception implique non seulement des informaticiens et des scientifiques, mais également des personnes formées en droit, afin que les résultats produits ne soient pas incohérents avec la logique des utilisateurs. Deuxièmement, les utilisateurs de l’outil ne reprennent pas les chiffres proposés tels quels. Ils les mobilisent en regard d’autres éléments (textes de lois, méthodes de calcul, recherches juridiques) et les interprètent à la lumière de leur expérience juridique et de leur connaissance des limites du dispositif.Afin de comprendre la manière dont les dispositifs algorithmiques et d’IA pourraient influencer le fonctionnement de la justice, il est donc nécessaire d’analyser l’articulation entre notions juridiques et logiques informatiques que supposent ces outils, et ce, tant au moment de leur conception qu’à celui de leur utilisation.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.015 |
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 it