Modeling juror decisions: a comparison of perceptions of innocence and guilt
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The research in this dissertation investigates the consistency of juror decision models when evaluating incriminating and exonerating evidence. Many stochastic and psychological models indicate that an interaction between a person’s prior beliefs and their evaluation of the evidence contribute to their verdict decision. However, less is known regarding how this interaction occurs for different forms of evidence. In particular, a pervasive assumption is that jurors use the same or similar models to evaluate exonerating and incriminating evidence. The data from this dissertation indicates that this may not be the case. Participants adjust estimates of probability of guilt in a Bayesian inference problem more when case specific evidence is incriminating versus exonerating. Further, their response patterns and reported and observed measures of the type and variety of information they are using to produce probability of guilt estimates indicate that they engage in a process of mental estimation more often than they report that they do. The findings indicate that jurors may potentially use different decision models to evaluate different forms of evidence. Further, the framing of the search for culpability provides a plausible explanation for differences in the decision models that are used. Specifically, a juror’s selection criteria and perceived importance of a given piece of evidence will vary depending on its relevance to their decision task. Thus, asking jurors to estimate likelihoods of guilt may lead to their underutilization of evidence implying innocence.
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.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle