Identifying and Charging True Perpetrators in Cases of Wrongful Convictions
Notice bibliographique
Résumé
True perpetrators—those who commit crimes that others were wrongfully convicted of—are a danger to society. Left unapprehended, these individuals often continue to commit crimes that could have otherwise been avoided. Despite the risk they pose, only about half of true perpetrators in DNA exoneration cases have been identified. Further, only 50% of those who have been identified have been charged with the wrongful conviction crime(s) they committed. Previous research on wrongful convictions, prosecutorial discretion in charging decisions, and prosecutors’ treatment of post-conviction innocence claims provide a starting point for investigating what factors underlie the identification and charging of true perpetrators. To explore these factors, we analyze 367 DNA exoneration cases and the resulting 161 identified true perpetrators. Results revealed that prosecutorial misconduct as a contributor to the wrongful conviction decreased the odds that a true perpetrator would be identified, but the odds increased if the victim was White and the exoneree was Black compared to if both were White. Odds of identification also decreased when, compared to murder, the most severe wrongful conviction crime type was child sex abuse or sexual assault. These factors were not significantly associated with the odds of an identified true perpetrator being charged with a wrongful conviction crime. A qualitative study revealed both definitively prohibitive and potentially influential factors that could influence a prosecutor’s decision not to charge an identified true perpetrator with these crimes. These findings indicate policy solutions that could hold true perpetrators of wrongful convictions crimes responsible for their actions.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».