A formal approach to qualifying and quantifying the ‘goodness’ of forensic identification decisions
Notice bibliographique
Résumé
In this article, we review and analyse common understandings of the degree to which forensic inference of source—also called identification or individualization—can be approached with statistics and is referred to, increasingly often, as a decision. We also consider this topic from the strongly empirical perspective of PCAST (2016) in its recent review of forensic science practice. We will point out why and how these views of forensic identification as a decision, and empirical approaches to it (namely experiments by multiple experts under controlled conditions), provide only descriptive measures of expert performance and of general scientific validity regarding particular forensic branches (e.g. fingermark examination). Although relevant to help assess whether the identification practice of a given forensic field can be trusted, these empirical accounts do not address the separate question of what ought to be a sensible, or ‘good’ in some sense, (identification-)decision to make in a particular case. The latter question, as we will argue, requires additional considerations, such as decision-making goals. We will point out that a formal approach to qualifying and quantifying the relative merit of competing forensic decisions can be considered within an extended view of statistics in which data analysis and inference are a necessary but not sufficient preliminary.
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 | 0,092 | 0,203 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,046 |
| Communication savante | 0,018 | 0,024 |
| Science ouverte | 0,008 | 0,008 |
| Intégrité de la recherche | 0,009 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».