A model of evidence production and optimal standard of proof and penalty in criminal trials
Notice bibliographique
Résumé
The defendant is either innocent or guilty, which she, not the court or prosecutor, knows. The court convicts the defendant whenever its posterior probability of her guilt – which depends on the evidence presented – is greater than the standard of proof . Evidence production by litigating parties is a costly stochastic process. Subsequently, the optimal choice of standard of proof and penalty is analysed. The optimal standard of proof is increasing in the cost of convicting an innocent defendant and decreasing in the cost of acquitting a guilty defendant. Higher penalties may increase probabilities of both false conviction and false acquittal. Un modèle de production de la preuve et la norme optimale de la preuve et de la punition dans les procès criminels. On développe un modèle de production de la preuve par les parties en litige dans un contexte criminel. L’accusé peut être de deux types – innocent ou coupable – et il sait de quel type il est. Mais ni le tribunal ni le procureur n’ont cette information. Le tribunal ne va condamner l’accusé que si la probabilité a posteriori de culpabilité de l’accusé est plus grande qu’une certaine valeur seuil – la norme de la preuve. Cette probabilité dépend des preuves présentées par les parties au tribunal. La production de la preuve est un processus stochastique coûteux. Ce modèle de production de la preuve est utilisé pour analyser le choix optimal de la preuve et de la punition. Comme on pouvait s’y attendre, on peut montrer que la norme optimale de la preuve s’accroît à proportion que s’accroît le coût de condamner un innocent et décroît à proportion que s’accroît le coût de l’acquittement d’un coupable. Ce qui est plus surprenant, on peut montrer que l’accroissement de la punition infligée à un accusé trouvé coupable peut accroître les probabilités à la fois de condamnation et d’acquittement non fondés.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».