Impact of disguise on identification decisions and confidence with simultaneous and sequential lineups.
Notice bibliographique
Résumé
OBJECTIVE: Prior research indicates disguise negatively affects lineup identifications but the mechanisms by which disguise works have not been explored and different disguises have not been compared. We investigated how two different types of disguise, four levels of varying degrees of coverage, and lineup type influence eyewitnesses' identification decisions, accuracy, and confidence. HYPOTHESES: We predicted that identification accuracy would decrease as the disguise covered more of a perpetrator's face. We also predicted that type of disguise-stocking mask versus sunglasses and/or toque (i.e., knitted hat)-would influence identifications, but we had conflicting predictions about which disguise would impair their performance more. METHOD: In two experiments (Ns = 87 and 91) we manipulated degree of coverage by two different types of disguise: a stocking mask or sunglasses and toque. Participants viewed mock-crime videos followed by simultaneous or sequential lineups. RESULTS AND CONCLUSIONS: Disguise and lineup type did not interact. In support of the view that disguise prevents encoding, identification accuracy generally decreased with degree of disguise. For the stocking disguise, however, full and 2/3 coverage led to approximately the same rate of correct identifications-which suggests that disrupting encoding of specific features may be as detrimental as disrupting a whole face. Accuracy was most affected by sunglasses and we discuss the role meta-cognitions may have played. Lineup selections decreased more slowly than accuracy as coverage by disguise increased, indicating witnesses are insensitive to the effect of encoding conditions on accuracy.
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) | 0,000 | 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 ».