Do False Memories Look Real? Evidence That People Struggle to Identify Rich False Memories of Committing Crime and Other Emotional Events
Notice bibliographique
Résumé
Two studies examined whether people could identify rich false memories. Each participant in both studies was presented with two videos, one of a person recalling a true emotional memory, and one of the same person recalling a false memory. These videos were filmed during a study which involved implanting rich false memories (Shaw & Porter, 2015). The false memories in the videos either involve committing a crime (assault, or assault with a weapon) or other highly emotional events (animal attack, or losing a large sum of money) during adolescence. In study 1, participants (n = 124) were no better than chance at accurately classifying false memories (61.29% accurate), or false memories of committing crime (53.33% accurate). In study 2, participants (n = 82) participants were randomly assigned to one of three conditions, where they only had access to the (i) audio account of the memory with no video, (ii) video account with no audio, or (iii) the full audio-visual accounts. False memories were classified correctly by 32.14% of the audio-only group, 45.45% of the video-only group, and 53.13% of the audio-visual group. This research provides evidence that naïve judges are not able to reliably identify false memories of emotional or criminal events, or differentiate true from true memories. These findings are likely to be of particular interest to those working in legal and criminal justice settings.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».