L’influence des présuppositions sur les témoignages sollicités par questions
Notice bibliographique
Résumé
Selon Loftus (1975), présupposer une information nouvelle auprès du témoin d’un événement pourrait influencer les témoignages subséquents de ce témoin. La présente étude tente de reproduire ces résultats dans une autre langue (le français) afin d’en apprendre davantage à propos des caractéristiques linguistiques favorisant ou défavorisant la désinformation. Nos soixante participant(e)s ont regardé une vidéo puis ont répondu à un questionnaire dans lequel était présupposée (a) une information vraie (b) une information fausse ou (c) aucune information. La semaine suivante, tous les participant(e)s ont reçu un second questionnaire qui ciblait l’information critique puis ont passé un test de mémoire de travail. Notre analyse (par régressions logistiques binomiales) est centrée sur la proportion de faux rapports selon la condition. Nos données montrent un effet significatif (p < 0,01) d’une présupposition vraie qui réduit le taux de faux rapports, ainsi qu’un effet non significatif (p = 0,09) des présuppositions fausses. Nous concluons que des questions posées après un événement peuvent influencer le rapport qu’en fera le témoin, mais que la supposition que cet effet serait universel ne rend pas compte des différences possibles selon la langue et la culture des participant(e)s. Finalement, nous discutons les implications de ces résultats pour les techniques d’interrogatoire actuelles à travers la francophonie qui pourraient menacer l’intégrité des témoignages judiciaires.
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 | 0,029 | 0,268 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».