Bibliographic record
Abstract
Est‑il possible de déléguer la totalité de la fonction juridictionnelle aux machines? Pour certains, cette hypothèse doit être regardée comme un nouveau mythe. Pour d’autres, en revanche, cette délégation est inéluctable, en raison de la contribution croissante des machines dites « intelligentes » à l’administration de la justice. Cette controverse, qui n’est pas nouvelle, reçoit une résonance singulière à l’heure où les projets de création de juges‑robots, aux côtés des juges‑humains, fleurissent. L’un des enjeux de cette création est d’améliorer l’accès à la justice. Partant, le remplacement éventuel des juges‑humains par des machines dans tous les contentieux serait problématique en raison des atteintes aux droits fondamentaux et, surtout, à cause du caractère inadapté de la justice robotisée aux contentieux qui impliquent des personnes d’une particulière vulnérabilité (enfants, communautés autochtones, femmes victimes de violences conjugales, etc.). Il est donc urgent de trouver un équilibre entre la protection effective de ces droits, la promotion de l’innovation des technologies numériques et la nécessité d’améliorer l’accès à la justice au moyen de ces technologies. C’est cette idée qui constitue l’épine dorsale de cette étude qui, dans une approche prospectiviste, démontre que pour des raisons d’ordres culturel, juridique et philosophique, la substitution totale du juge‑humain au juge‑robot n’est ni souhaitable ni possible. D’ailleurs, la pratique des États, la pratique juridictionnelle et les réformes institutionnelles en cours écartent à bien des égards l’hypothèse de la substitution totale en faveur de la substitution partielle; ce qui induit une complémentarité entre les deux catégories de juges .
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 | 0.005 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.013 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.034 | 0.009 |
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".