Does “Jamal” receive a harsher sentence than “James”? First-name bias in the criminal sentencing of Black men.
Notice bibliographique
Résumé
OBJECTIVE: Using archival and experimental methods, we tested the role that racial associations of first names play in criminal sentencing. HYPOTHESES: We hypothesized that Black defendants with more stereotypically Black names (e.g., Jamal) would receive more punitive sentences than Black defendants with more stereotypically White names (e.g., James). METHOD: In an archival study, we obtained a random sample of 296 real-world records of Black male prison inmates in Florida and asked participants to rate the extent to which each inmate's first name was stereotypically Black or stereotypically White. We then tested the extent to which racial stereotypicality was associated with sentence length, controlling for relevant legal features of each case (e.g., criminal record, severity of convicted offenses). In a follow-up experiment, participant judges assigned sentences in cases in which the Black male defendant was randomly assigned a more stereotypically Black or White name from our archival study. RESULTS: Controlling for a wide array of factors-including criminal record-we found that inmates with more stereotypically Black versus White first names received longer sentences β = 0.09, 95% confidence interval (95% CI) [0.01, 0.16]: 409 days longer for names 1 standard deviation above versus below the mean on racial stereotypicality. In our experiment, participant judges recommended significantly longer sentences to Black inmates with more stereotypically Black names above and beyond the severity of the charges or their criminal history, β = 0.07, 95% CI [0.02, 0.13]. CONCLUSIONS: Our results identify how racial associations with first names can bias consequential sentencing decisions despite the impartial aims of the legal system. More broadly, our findings illustrate how racial biases manifest in distinctions made among members of historically marginalized groups, not just between members of different groups. (PsycInfo Database Record (c) 2023 APA, all rights reserved).
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 | 0,005 | 0,026 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».