MétaCan
Menu
Retour à la cohorte
Enregistrement W4220866577 · doi:10.31234/osf.io/v6t2e

A General Model of Cognitive Bias in Human Judgment and Systematic Review Specific to Forensic Mental Health

2022· preprint· en· W4220866577 sur OpenAlexaboutno aff
Tess M. S. Neal, Pascal Lienert, Emily Denne, Jay Prakash Singh

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomainePsychology
ThématiqueDeception detection and forensic psychology
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of CambridgeUniversity of OxfordWashburn University
Mots-clésDebiasingPsychologyCognitive biasPsycINFOContext (archaeology)Mental healthCognitive psychologyCognitionConfirmation biasSocial psychologyApplied psychologyForensic psychologyClinical psychologyMEDLINEPsychiatry

Résumé

récupéré en direct d'OpenAlex

Objectives: Cognitive biases can impact experts’ judgments and decisions. We offer a broad descriptive model of how bias affects human judgment. And although studies have explored the role of cognitive biases and debiasing techniques in forensic mental health, we conducted the first systematic review to identify, evaluate, and summarize the findings.Hypotheses: Due to the exploratory nature of this review, we did not test formal hypotheses. General research questions included the proportion of studies focusing on cognitive biases and/or debiasing, what research methods were applied, the cognitive biases and debiasing strategies empirically studied in the forensic context, how they affect forensic mental health decisions, and effect sizes.Method: A systematic search of PsycINFO and Google Scholar resulted in 22 records comprising 23 studies in the United States, Canada, Finland, Italy, the Netherlands, and the United Kingdom. We extracted data on participants, context, methods, and results.Results: Most studies focused only on cognitive biases (n=16, 69.6%), with fewer investigating ways to address them (n=7, 30.4%). Of the 17 studies that tested for biases, most found significant effects (n=10, 58.8%), four found partial effects (23.5%), and three found no effects (17.6%). Foci included general perceptions of biases, adversarial allegiance, bias blind spot, hindsight and confirmation biases, moral disengagement, primacy and recency effects, interview suggestibility, and cross-cultural, racial, and gender biases. Of the seven debiasing-related studies, nearly all (n=6) focused at least in part on the general perception of debiasing strategies, with three testing for specific effects (i.e., cognitive bias training, consider-the-opposite, and introspection caution), the first two of which yielded significant effects.Conclusions: Considerable clinical and methodological heterogeneity limited quantitative comparability. Future research could build on the existing literature to develop or adapt effective debiasing strategies in collaboration with practitioners to improve the quality of forensic mental health decisions.Public Significance Statement: Evidence of bias in forensic mental health emerged in ways consistent with what we know about human judgment broadly. We know less about how to debias judgments–an important frontier for future research. Better understanding how bias works and developing effective debiasing strategies tailored to the forensic mental health context holds promise for improving quality. Until then, we can use what we know now toward limiting bias in our work.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,531
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,144
Tête enseignante GPT0,407
Écart entre enseignants0,263 · 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 tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetDeception detection and forensic psychologyTravaux en français237 207