When the eyewitness to a crime is an English language learner: Identifying and resolving troubles in understanding in interviews
Notice bibliographique
Résumé
Abstract Investigative interviewing can be a difficult task. Challenges may be exacerbated when interviewing English language learners. The field of eyewitness testimony lacks research on what troubles of understanding are generated by non‐native speakers and how these troubles are resolved. Thus, we undertook an exploratory study in which we aimed to provide definitions for identifying and characterising both troubles of understanding and resolutions. Data were simulated interviews between 17 dyads of native English‐speaking student‐interviewers and English language learner witnesses of a mock crime. We identified misunderstandings in each interaction and tracked who misunderstood, when the misunderstanding occurred (free/cued recall), whether it was resolved, and resolution strategies. We validated video analysis by checking for information consistency in the subsequent interviewer notes. Across dyads, 40 misunderstandings were found, with at least one in each interview. Witnesses misunderstood significantly more in the cued recall portion of the interview, while interviewers misunderstood more during free recall. Notably, participants resolved misunderstandings more often than not, used a variety of resolution strategies, and employed more strategies in unresolved instances. Interviewer notes confirmed our resolution analysis in 39/40 instances. The results suggest that the interviewers used creativity, flexibility, and a repertoire of different strategies when misunderstandings occurred.
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 | 0,005 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».