Les savoirs locaux et le droit : une ethnographie de la conscience du droit
Bibliographic record
Abstract
En réponse aux écrits sur les problèmes d’accès à la justice qui appellent à ne pas limiter notre regard aux lieux officiels du droit, cet article fait état d’une recherche documentant les usages des médias sociaux à des fins de recherche et de partage d’information juridique. S’il est possible de concevoir les médias sociaux comme des espaces en coulisse de l’activité législative et judiciaire, il appert qu’il s’agit surtout de lieux de réception et de production de la juridicité, alors qu’ils mettent à l’avant-scène la parole et des pratiques citoyennes souvent méconnues en recherche juridique. Or de tels lieux informels mettent à l’avant-plan non seulement la parole, mais également des savoirs juridiques profanes, savoirs locaux du fait de leur nature et de leurs procédés de constitution, savoirs tout aussi peu abordés par la recherche en droit. Cette problématique de la reconnaissance des savoirs juridiques citoyens, malgré toutes les tensions qu’elle suppose, mériterait certainement de faire l’objet de développements en matière de recherche et d’action sur l’accès à la justice. Il s’agirait ultimement de chercher à comprendre quels sont les différents savoirs qui fondent et qui pourraient fonder l’action publique en justice.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.012 | 0.020 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".