Do Racial Stereotypes Contribute to Medical Misdiagnosis of Child Abuse?
Notice bibliographique
Résumé
Despite growing recognition that misdiagnoses of child abuse can lead to wrongful convictions, little empirical work has examined how the medical community may contribute to these errors. Previous research has documented the existence and content of stereotypes that associate race with child abuse. The current study examines whether emergency medical professionals rely on this stereotype to fill in gaps in ambiguous cases involving Black children, thereby increasing the potential for misdiagnoses of child abuse. Specifically, we tested whether the race-abuse stereotype led participants to attend to more abuse-related details than infection-related details when an infant patient was Black versus White. We also tested whether this heuristic decision-making would be affected by contextual case facts; specifically, we examined whether race bias would be exacerbated or mitigated by a family’s involvement with child protective services (CPS). Results showed that participants did exhibit some biased information processing in response to the experimental manipulations. Even so, the race-abuse stereotype and heuristic decision-making did not cause participants to diagnose a Black infant patient with abuse more often than a White infant patient, regardless of his family’s involvement with CPS. These findings help illuminate how race may lead to different outcomes in cases of potential child abuse, while also demonstrating potential pathways through which racial disparities in misdiagnosis of abuse and subsequent wrongful convictions can be prevented.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,018 | 0,003 |
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 ».