Influence of victim characteristics and crime type on eyewitness recall of perceived stereotypicality
Notice bibliographique
Résumé
Previous research in Canada and the United States has shown that activated racial stereotypes about a given crime type can influence an eyewitness’ memory of perceived stereotypicality for the perpetrator of that given crime. Specifically, it has been shown that participants who are exposed to a surveillance video of a highly stereotypical Black crime (i.e., drive-by shooting) falsely recall the perpetrator from the video to be higher on perceived Black stereotypicality than those who are exposed to a surveillance video of a highly stereotypical White crime (i.e., serial killing). Victim characteristics such as the race of the victim (i.e., Black adult males vs. White adult males), in conjunction with crime type, were examined in the current research to determine their influence on the accuracy of eyewitness recall. The perceived deservingness of these victims was also examined. The results replicated and confirmed previous research that has shown how crime type (i.e., drive-by shooting vs. serial killing) can influence an individual’s eyewitness recall of perceived stereotypicality (i.e., M = 54.03 vs. M = 50.18, respectively). In the present research, however, the race of the victim did not exacerbate the effect of the crime type findings. The race of the victim did matter in terms of perceived deservingness, however, with Black adult males being viewed as more deserving of the purported crime than White adult males (i.e., M = 6.90 and M = 4.53, respectively). In the United States alone, eyewitness identification errors account for approximately 75% of all wrongful convictions. Of these wrongful convictions, 70% involve the wrongful conviction of individuals from minority groups. The findings of the present research will not only help to address the issues related to eyewitness (mis)identifications, but will also contribute to educating the public on how these errors may disproportionately impact certain minority groups, and the need for positive change.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».