Admissibilité de preuves issues de techniques d'apprentissage automatique en droit criminel canadien
Bibliographic record
Abstract
Ce mémoire se penche sur l’un des effets de l’émergence d’outils d’intelligence artificielle sur la pratique du droit. En particulier, nous traitons de l’admissibilité de la preuve issue d’outils utilisant la technique de l’apprentissage automatique, une branche de l’intelligence artificielle. Nous cherchons à établir la fiabilité de cette technique pour fins d’admissibilité en tant que preuve. Nous débutons en cernant la notion de fiabilité d’une preuve scientifique en droit canadien. Nous abordons ensuite les composantes et le fonctionnement de l’apprentissage automatique. Nous analysons les divers aspects de sa fiabilité en soulevant ses vulnérabilités, ce qui nous permet de dégager les conditions propices à la fiabilité de la technique. Nous recensons les instruments légaux qui imposent ou renforcent ces conditions et terminons avec une illustration concrète d’un témoignage expert sur une telle preuve, soit le cas d’un outil visant à cerner l’identité d’un locuteur. Notre démarche nous incite à remettre en question le rôle du tribunal dans l’établissement de la fiabilité d’un outil d’apprentissage automatique, une tâche qui défavorise l’inculpé. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Intelligence artificielle, apprentissage automatique, admissibilité, preuve scientifique, fiabilité, reconnaissance du locuteur.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.005 |
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".