Using machine learning analyses to explore relations between eyewitness lineup looking behaviors and suspect guilt.
Notice bibliographique
Résumé
OBJECTIVE: We conducted 2 experiments using machine learning to better understand which lineup looking behaviors postdict suspect guilt., Hypotheses: We hypothesized that (a) lineups with guilty suspects would be subject to shorter viewing duration of all images and fewer image looks overall than lineups with innocent suspects, and (b) confidence and accuracy would be positively correlated. The question of which factors would combine to best postdict suspect guilt was exploratory. METHOD: = 21.00; females = 75%) who each made 2 identifications after viewing a video including 2 targets. Participants made identifications using an interactive touchscreen simultaneous lineup in which they were restricted to viewing one image at a time and their interaction with the lineup was recorded. RESULTS: In Experiment 1, five variables (filler look time, suspect look time, number of suspect looks, number of filler looks, and winner look time) together postdicted (with a 67% accuracy score) target presence. In Experiment 2, four variables (number of suspect looks, number of filler looks, number of loser looks, and winner looks) together postdicted (with a 73% accuracy score) target presence. CONCLUSIONS: Further exploration of witness search behaviors can provide context to identification decisions. Understanding which behaviors postdict suspect guilt may assist with interpretation of identification decisions in the same way that decision confidence is currently used. (PsycInfo Database Record (c) 2020 APA, all rights reserved).
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 | 0,000 | 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 | 0,001 | 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) | 0,000 | 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 ».