Notice bibliographique
Résumé
This paper analyzes Canada’s common law as it currently stands regarding expert evidence and key inquiries and reports on expert evidence and wrongful convictions done in Canada and on forensic science. The analysis will demonstrate how Canada’s laws and practices have not gone far enough to ensure expert evidence is reliable in order to protect innocent citizens from wrongful conviction. I propose that to truly safeguard against the admission of improper expert evidence in trials Canada must (1) heighten the standard expert evidence must meet to be considered reliable and increase a judge’s role as gatekeeper (2) foster a system of peer-reviewed research, training, accreditation, and accountability in forensic science disciplines in Canada, and (3) ensure that all legal actors (i.e., police, lawyers, and judges) receive continued training on best forensic science practices and their limits and have free access to information and education on forensic science disciplines when needed. Systemic changes in forensic science disciplines in Canada, continued education in forensic sciences for legal actors, and changes in the law of reliability of evidence are necessary to prevent improper expert evidence from continuing to contribute to wrongful convictions. This paper concludes by with a case study evaluating how the proposed systemic changes could have made a difference in a real-world case where expert evidence was flawed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,113 | 0,384 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,017 | 0,015 |
| Études des sciences et des technologies | 0,012 | 0,021 |
| Communication savante | 0,022 | 0,005 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».