Neuroimaging Techniques for Memory Detection: Scientific, Ethical, and Legal Issues
Notice bibliographique
Résumé
There is considerable interest in the use of neuroimaging techniques for forensic purposes. Memory detection techniques, including the well-publicized Brain Fingerprinting technique (Brain Fingerprinting Laboratories, Inc., Seattle WA), exploit the fact that the brain responds differently to sensory stimuli to which it has been exposed before. When a stimulus is specifically associated with a crime, the resulting brain activity should differentiate between someone who was present at the crime and someone who was not. This article reviews the scientific literature on three such techniques: priming, old/new, and P300 effects. The forensic potential of these techniques is evaluated based on four criteria: specificity, automaticity, encoding flexibility, and longevity. This article concludes that none of the techniques are devoid of forensic potential, although much research is yet to be done. Ethical issues, including rights to privacy and against self-incrimination, are discussed. A discussion of legal issues concludes that current memory detection techniques do not yet meet United States standards of legal admissibility.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,099 | 0,136 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,024 |
| Communication savante | 0,005 | 0,011 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,014 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».