Les libertés et les déterminations du juge dans un contexte d’utilisation d’outils d’aide à la décision
Bibliographic record
Abstract
Le juge est une figure primordiale dans un État de droit chargé d’individualiser la règle de droit lors de différends. C’est aussi un contre-pouvoir chargé de surveiller le législatif et l’exécutif. Pourtant, c’est le pouvoir le plus fragile qui ne bénéficie pas de la légitimité de l’élection. Pour juger, il doit être libre. La liberté est un concept fondateur de nos sociétés de droit et pourtant, c’est un concept bien compliqué à comprendre et analyser. L’histoire de ce mot nous apprend que c’est un concept juridique et jamais absolu, il ne se traduit qu’aux pluriels, assurés toujours par une autorité supérieure. Individuellement, c’est la capacité d’être la cause de ses propres actes, pourtant, la liberté n’est jamais absolue. Nous sommes aussi déterminés, c’est-à-dire qu’il existe des externalités qui viennent être la cause de nos actes. Mais, alors, qu’en est-il pour le juge, est-il libre ? Est-il déterminé ? Dans sa pratique, la liberté du juge se traduit par l’indépendance judiciaire, assurée tout autant que contrainte par les institutions. Dans sa pratique le juge est relativement libre de qualifier et d’apprécier les faits sous réserve du contrôle des tribunaux. En outre, le juge est aussi une personne et, à ce titre, il est déterminé tout autant que n’importe quelle personne, il possède donc des biais et des émotions qui vont interagir avec sa pratique de juge et, potentiellement, venir le déterminer dans les réponses qu’il offre. Alors que les services de cyberjustice, particulièrement les outils d’aides à la décision, entrent dans l’office du juge, comment ces technologies s'apprêtent à bousculer son indépendance judiciaire et sa liberté ? Tantôt ces outils son contraignant pour lui, tantôt ils le libèrent et lui permettent de se concentrer sur ses motifs.
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 | 0.008 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.041 |
| Scholarly communication | 0.015 | 0.007 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.011 | 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".