Visualizing Interrogative Injustice: Challenging Law Enforcement Narratives of Mr. Big Operations Through Documentary Film
Notice bibliographique
Résumé
Documentary films can play a substantial role in visualizing key issues of legal significance concerning police interrogations and wrongful convictions. This article examines the ways in which the film, Mr. Big: A Documentary (MBAD) makes visible problems related to Mr. Big Operations (MBOs) in Canada. MBOs are undercover operations conducted by law enforcement officials for the purpose of eliciting incriminating information from an individual who they suspect has committed a serious crime such as murder. During these operations, undercover officers use strong financial and social inducements to entice targets to join the organization. In exchange for membership, targets are expected to reveal information about the crime they committed. This is usually contextualized as a demonstration of trust and/or in order for the organization to arrange to have another person admit to the crime. Law enforcement officials will also intimate their willingness to perpetrate violence on those who do not comply with their demands. This leads to targets feeling a sense of being threatened if they do not comply. Through numerous on-screen interviews with those who have expertise or are knowledgeable with respect to MBOs, MBAD attempts to accomplish several objectives. More generally, it stresses that there are dangers attached to MBOs that may lead to targets to falsely confess leading to wrongful convictions. Second, it scrutinizes problems associated with a particular Mr. Big scenario: targeting Atif Rafay and Sebastian Burns led to their convictions. Third, by shining a light on the problematic nature of MBOs and the Rafay-Burns case, MBAD effectively constructs law enforcement officials as questionable actors who knowingly and intentionally adopt these techniques.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,009 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».