Crazy and Caucasian? The Influence of Race, Gender, and Crime Variables on Perceptions of Criminal Responsibility
Notice bibliographique
Résumé
Past research has shown that the way people perceive a crime depends on a variety of extralegal factors, especially when determinations of Not Criminally Responsible on Account of Mental Disorder (NCRMD) are at stake. In particular, the Canadian criminal justice system has a demonstrated bias against people of colour in relation to guilty verdicts and punitiveness. Further, mental illness is often interpreted differentially in light of the gender of the perpetrator and their criminal history. As such, this study was designed to assess how participants interpret a case of homicide where the following variables have been manipulated: (1) perpetrator race (Indigenous, Black, Caucasian), (2) perpetrator gender (man or woman), (3) perpetrator-victim relationship (stranger v. known), and (4) criminal history (none, NCR, CR, NCR+CR). Participants will be presented with crime and trial summaries, and information pertaining to the defendant’s mental health (i.e., diagnosis of schizophrenia with ambiguous influence on the commission of the crime). They will also complete several measures of bias and a judgment questionnaire. We anticipate that defendants of colour and men will be more likely to be deemed criminally responsible and sentenced more harshly, however previous NCR or CR determinations will sway prospective jurors’ views in the same direction as the information provided. Further, we predict that NCR designations will be more common when the victim is a stranger. This study has important implications for judicial bias and how extralegal factors continue to exert large influences on our judgments. Department: Psychology Faculty Mentor: Dr. Kristine Peace
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 | 0,003 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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; 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 ».