MétaCan
Menu
Retour à la cohorte
Enregistrement W3107006628 · doi:10.1080/1068316x.2020.1849691

Juror motivations: applying procedural justice theory to juror decision making

2020· article· en· W3107006628 sur OpenAlexaff
Stacey Politis, Diane Sivasubramaniam, Bianca Klettke, Mark Nolan, Jacqueline Horan, Regina A. Schuller

Notice bibliographique

RevuePsychology Crime and Law · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueJury Decision Making Processes
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésPsychologyProcedural justiceEconomic JusticeSocial psychologyCriminologyLawPerceptionPolitical science

Résumé

récupéré en direct d'OpenAlex

Jurors sometimes consider inadmissible evidence in their verdicts, despite judicial instructions to disregard that evidence. Procedural justice research suggests this is because jurors are motivated to prioritise just outcomes over due process; thus, jurors’ non-compliance towards judicial instructions to disregard inadmissible evidence may be the product of a discrepancy between legal and lay peoples’ understanding of the juror’s role. In this mixed-method design, we examined 294 university students’ a priori perceptions about the role and responsibility of jurors, and empirically tested how randomly assigning participants to the role of a juror (versus a judge’s associate/assistant, who helps the judge to ensure a trial is conducted according to proper procedure) influenced their verdict decisions, prioritisation of outcome versus procedural considerations, motivation to protect the community, and perceived obligation to ensure correct procedures. Overall, the results demonstrated ambivalence in lay people’s perceptions of the juror role, with many participants perceiving jurors to be responsible for protecting society; however, we did not find support for our predictions that participants assigned the role of a juror (versus judge’s associate) would more strongly prioritise outcomes over procedures. Methodological issues, recommendations for future research, and implications are also discussed.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,059
score de la tête « metaresearch » (Gemma)0,171
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,313

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0590,171
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0040,012
Communication savante0,0080,006
Science ouverte0,0020,004
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,082
Tête enseignante GPT0,433
Écart entre enseignants0,351 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePsychology Crime and LawMême sujetJury Decision Making ProcessesTravaux en français237 207