Argumentación por el ejemplo desde la figura del precedente judicial. Un abordaje desde Chaïm Perelman
DOI:
https://doi.org/10.15332/iust.v0i19.2804Palabras clave:
Precedente judicial, Argumentación por el ejemplo, Derecho al trabajo, Perelman, Argumentación jurídicaResumen
Este trabajo realiza un avance sobre el estudio del precedente judicial mediante la argumentación por el ejemplo, desde el enfoque de una de las técnicas argumentativas de C. Perelman. Se estudia la manera en que esta técnica es materializada en las sentencias, no sólo de las altas cortes sino de todos los entes administradores de justicia que motivan sus providencias. Para ello recurren al precedente y a la ley de la inercia que propone también el mismo autor.
En este caso concreto se estudia el derecho fundamental al trabajo, específicamente de las personas privadas de la libertad. Además, se analiza la manera en que la corte constitucional utiliza las técnicas argumentativas de autores como Perelman, Toulmin y Weston en la revisión de acciones de tutela. Para este ejercicio, el texto realiza un recorrido por las diversas teorías de la argumentación y evalúa la aplicación de dichas nociones a la práctica del derecho.
Descargas
Citas
Colombia ha tenido un buen año con los TLC que negoció, Revista Portafolio (Online), Octubre 13 de 2011, Disponible: http://www.portafolio.co/ negocio
El país está preparado agrícolamente para el TLC, Revista Portafolio (Online), Octubre 11 de 2011, Disponible: http://www.portafolio.co/negocio
R. D. Tillett, Image analysis for agricultural processes. En: Division Note DN 1585. Research Institute. 1990.
L.G. Shapiro, G.C.Stockman, Computer Vision, Prentice Hall, 2001.
Da-Wen Sun, Computer Vision Technology for Food Quality Evaluation, Ed. Elsevier, 2008.
P. Chen, Z. Sun, A review of non-destructive methods for quality evaluation and sorting of agricultural products, Journal of Agricultural Engineering Research, Volume 49, May–August 1991, Pages 85-98.
TadhgBrosnan, Da-Wen Sun, Inspection and grading of agricultural and food products by computer vision systems—a review, Computers and Electronics in Agriculture, Volume 36, Issues 2–3, November 2002, Pages 193-213.
V Leemans, M-F Destain, A real-time grading method of apples based on features extracted from defects, Journal of Food Engineering, 61 (2004), pp. 83–89.
JA Throop, DJ Aneshansley, WC Anger, DL Peterson, Quality evaluation of apples based on surface defects: development of an automated inspection system,Postharvest Biology and Technology, 36 (2005), pp. 281–290.
D Unay, B Gosselin, Stem and calyx recognition on “Jonagold” apples by pattern recognition,Journal of food Engineering, 78 (2) (2007), pp. 597–605.
J Blasco, S Cubero, R Arias, F Juste, E Moltó, On-line quality grading of mandarin segments by computer vision, XVIth CIGR World Congress: Agricultural Engineering for a Better World, Book of Abstracts, Bonn, Germany (2006), pp. 623– 624.
J Blasco, N Aleixos, E Moltó, Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm, Journal of Food Engineering, 81 (3) (2007), pp. 535–543.
N Hernandez, P Barreiro, M Ruiz-Altisent, J RuizCabello, ME Fernandez-Valle,Detection of seeds in citrus using MRI under motion conditions and improvement with motion correction, Concepts in Magnetic Resonance: Part B—Magnetic Resonance Engineering, 26B (1) (2005), pp. 81–92.
M Nagata, PM Bato, M Mitarai, Q Cao, T Kitahara, Study on sorting system for strawberry using machine vision (part 1): development of software for determining the direction of strawberry (Akihime variety), Journal of Japan Society of Agricultural Machinery, 62 (1) (2000), pp. 100–110.
R Díaz, M Blasco, J Blasco, E Moltó, Comparison of three algorithms in the classification of table olives by means of computer vision, Journal of Food Engineering, 61 (2004), pp. 101–107.
S Colmagro, G Collins, M Sedgley, Processing technology of the table olive, Horticultural Reviews, 25 (2001), pp. 235–260.
JC Noordam, GW Otten, AJM Timmermans, BH van Zwol, High speed potato grading and quality inspection based on a color vision system, Proceedings of SPIE: The International Society for Optical Engineering, 3966 (2000), pp. 206–219.
T Brosnan, D Sun, Improving quality inspection of food products by computer vision—a review, Journal of Food Engineering, 61 (2004), pp. 125– 135.
C. Maya. Desarrollo de un algoritmo para la caracterización y clasificación de granos de café empleando técnicas de visión artificial. Manizales: U. Nacional de Manizales, 2001.
J. Betancur, Segmentación de granos de café mediante métodos de crecimiento de regiones. Manizales: U Nacional de Manizales, 2002.
Z. Sandoval, F. Prieto, Caracterización y clasificación de café cereza por medio de visión artificial, 2003.
J. E. Hernández, Clasificación de frutos de café según su etapa de maduración basada en redes neuronales artificiales. Manizales: U. Nacional de Manizales, 2004.
J. C. Mosquera, A. Sepúlveda, C, A. Isaza, Procesamiento de imágenes ópticas de frutos café en cereza por medio de filtros acusto-ópticos, Ingeniería y Desarrollo, Universidad del Norte, Numero 21, 2007.
N.Otsu, A threshold selection method for gray level histograms, IEEE Trans. Syst. Man Cybern., 9, 62-6, 1979.
S. Theodoridis, S. Koutroumbas, Pattern Recognition. Academic Press, San Diego, USA, 2008.
G. Bradski, A. Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library,O’Reilly Media, 2008.
González, R.C., Woods, R.E.: Digital Image Processing. Prentice Hall, 2008.
Stricker, M. and Orengo, M., Similarity of color images, SPIE Conference on Storage and Retrieval for Image and Video Databases III. Vol. 2420, p. 381-392, 1995.
Moore, A., Cross validation for detecting and preventing overfitting, School of Computer Science, Carneigie Mellon University, 2001.
Lizcano, S., Identificación de las etapas de maduración de la piña perolera empleando técnicas de visión artificial, Universidad Pontificia Bolivariana, Seccional Bucaramanga, 2010.
