Evaluating lineup fairness: Variations across methods and measures.
Notice bibliographique
Résumé
Triers of fact sometimes consider lineup fairness when determining the suggestiveness of an identification procedure. Likewise, researchers often consider lineup fairness when comparing results across studies. Despite their importance, lineup fairness measures have received scant empirical attention and researchers inconsistently conduct and report mock-witness tasks and lineup fairness measures. We conducted a large-scale, online experiment (N = 1,010) to examine how lineup fairness measures varied with mock-witness task methodologies as well as to explore the validity and reliability of the measures. In comparison to descriptions compiled from multiple witnesses, when individual descriptions were presented in the mock-witness task, lineup fairness measures indicated a higher number of plausible lineup members but more bias toward the suspect. Target-absent lineups were consistently estimated to be fairer than target-present lineups-which is problematic because it suggests that lineups containing innocent suspects are less likely to be challenged in court than lineups containing guilty suspects. Correlations within lineup size measures and within some lineup bias measures indicated convergent validity and the correlations across the lineup size and lineup bias measures demonstrated discriminant validity. The reliability of lineup fairness measures across different descriptions was low and reliability across different sets of mock witnesses was moderate to high, depending on the measure. Researchers reporting lineup fairness measures should specify the type of description presented, the amount of detail in the description, and whether the mock witnesses viewed target-present and/or -absent lineups. (PsycINFO Database Record
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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) | 0,002 | 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 ».