Mock-Jurors’ Judgements in a Sexual Assault Case: The Influence of Defendant Race and Occupational Status, Delayed Reporting, and Multiple Allegations
Notice bibliographique
Résumé
Reports of sexual offences have increased in recent years, with many cases involving allegations against high-status individuals (e.g., Harvey Weinstein, Bill Cosby). In addition, many of these cases have involved allegations against the defendant from multiple victims, with long delays in reporting of the alleged assault. The purpose of this study was to examine the influence of defendant occupational status (low vs. high), defendant race (White, Black), number of allegations (one vs. five victims), and the length of reporting delay (5, 20, or 35 years) on mock-juror decision-making. Mock-jurors ( N = 752) read a mock-trial transcript describing a sexual assault case. After reading the trial transcript, mock-jurors were asked to provide dichotomous and continuous guilt ratings, as well as ratings regarding their perceptions of the defendant and victim. Results revealed that mock-jurors rendered more guilty verdicts, assigned higher guilt ratings, and perceived the defendant less favorably and the victim more favorably, when the defendant was White (as opposed to Black) and when there were multiple allegations against the defendant. The current findings suggest that defendant race and the number of allegations are highly influential in the context of a sexual assault case.
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 | 0,002 | 0,005 |
| 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 ».