Admissibilité de preuves issues de techniques d'apprentissage automatique en droit criminel canadien
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
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.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 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 it