Notice bibliographique
Résumé
Confession evidence is powerfully persuasive, and yet many wrongful convictions involving false confessions have surfaced in recent years (Innocence Project, 2021; National Registry of Exonerations, 2021). Although police are trained to corroborate admissions of guilt, research shows that most false confessions contain accurate details and other content cues suggesting credibility as well as extrinsic evidence of guilt. Hence, a method is needed to help distinguish true and false confessions. In this study, we utilized a corpus-based approach to outline the linguistic features of two sets of confessions: those that are presumed true (n = 98) and those that have been proven false (n = 37). After analyzing the two corpora in LIWC (Linguistic Inquiry and Word Count) to identify significant categories, we created a logistic regression model that distinguished the two corpora based on three identified predictors: personal pronouns, impersonal pronouns, and conjunctions. In a first sample comprised of 25 statements per set, the model correctly categorized 37 out of 50 confessions (74%); in a second out-of-model sample, the predictors accurately classified 20 of 24 confessions (83.3%). A high frequency of impersonal pronouns was associated with confessions proven false, while a high frequency of conjunctions and personal pronouns were associated with confessions presumed to be true. Several patterns were observed in the corpora. In the latter set of confessions, for example, “I” was often followed by a lexical verb, a pattern less frequent in false confessions. Although these data are preliminary and not to be used for practical diagnostic purposes, the findings suggest that additional research is warranted.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,040 | 0,002 |
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 ».