Technology on Trial: Facilitative and Prejudicial Effects of Computer-Generated Animations on Jurors' Legal Judgments
Notice bibliographique
Résumé
The recent emergence of electronic courtrooms (i.e., courtrooms that are equipped with advanced digital technologies) has generated novel ways to present evidence to jurors. Computer-generated animations, which recreate or illustrate the alleged sequence of events in a crime, are increasingly being used by lawyers to present testimonial evidence to jurors. The current study used a 3 (modality: oral vs. static visual vs. animation) x 2 (congruence: incongruent vs. congruent) between-subjects design to investigate whether presentation modality and evidence congruence affect jurors’ ability to properly evaluate evidence and render ‘accurate’ verdicts. In a laboratory setting, mock jurors (N = 238) read a transcript from a fictitious second-degree murder trial. Participants read testimony from eight witnesses, and heard the oral testimony of the defendant with a static visual aid, a computer-generated animation, or no visual aid. Results demonstrated that mock jurors were more likely to acquit the defendant when his testimony was illustrated with a computer-generated animation compared to a static visual aid or with no additional aid. Research in this area can inform the development of evidentiary regulations which adequately govern the admissibility of computer-generated animations in the courtroom, so as ensure that they are used in a way that maintains a defendant’s right to a fair trial. Keywords: computer-generated evidence, computer animations, legal decision-making, information processing, electronic courtrooms
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».