Forensic epistemology: exploring case-specific research in forensic science
Notice bibliographique
Résumé
Our inquiry into forensic epistemology explores the use of data types for case-specific research within three pattern interpretation disciplines. It also examines the epistemic status of practitioner case experimentation in forensic science. We developed three cases from different pattern-interpretation disciplines: a friction ridge analysis; a bloodstain pattern analysis; and a footwear impression analysis. For each case, a series of experiments were derived using three different data types: a quantitative approach (using numeric data), a qualitative approach (using image data) and a mixed-method approach (using both numeric and image data). We supplied data analyses that would be common knowledge for any academic researcher. Electronic files were compiled for each case and research method and forwarded by Qualtrics Software to forensic practitioners within the prescribed discipline. Demographic questions on practitioner education level and years of experience were included in the survey, along with open-ended comment areas. The dependent variable is the participants’ percentage confidence in providing an opinion from the data type used. ANOVA analyses indicated that the practitioners were more confident using a mixed-method data approach. No differences were found between the percentage confidence levels and discipline type. Similarly, there was no significant difference between the confidence levels and years of experience or the participants’ education level. The qualitative data analysis validated the quantitative results in that the practitioners were more confident with a mixed-method research approach.
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 | 0,011 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».