Forensic epistemology: testing the reasoning skills of crime scene experts
Notice bibliographique
Résumé
In recent years, crime scene analysis has been transitioning from being a technical discipline to being a scientific process. This progression is shifting the forensic practitioner examining crime scenes into a deeper level of scientific reasoning. This study evaluates the use of reasoning by practitioners in the disciplines of crime scene investigations and bloodstain pattern analysis. A well-established classroom test of scientific reasoning (CTSR) was distributed online to active crime scene investigators (CSI) and bloodstain pattern analysts (BPA) (n = 213) using Qualtrics software. The survey provides quantitative data on the reasoning ability of the participating practitioners along with demographic information on education, employment status (specifically, police or civilian), and work experience. Linear regression analyses indicate that there is a significant difference between the CTSR scores and education level. The higher educated practitioner (graduate level) performed better on the reasoning test. No significant differences were found between the test scores and the years of experience, even when sectioned into 5-year increments of 5 to 25+ years of experience. Similarly, there was no difference between the test scores and employment status for the CSI group and within the BPA group. This information suggests that the level of education plays the most important role in the development and use of reasoning skills, whereas experience and employment status are not as influential. The test scores were also mapped to Piaget’s categories – concrete operational, transitional and formal operational reasoners – with 69.5% of CSI and 77% of BPA scoring as formal operational reasoners. The authors recommend that a CTSR be used for testing current and future (tertiary forensic students) practitioners for evaluating reasoning skills and identifying scientific learning gaps. This study also supports further research into forensic epistemology and pedagogy, to deepen our knowledge of science in forensic science.
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 | 0,011 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».