Hearing voices: forensic speaker identification technology and expert listening in the American courtroom
Notice bibliographique
Résumé
Police wiretaps and taped emergency dispatch calls are just a couple of examples of the kinds of voice recordings that have made their way into criminal and civil proceedings. In some instances, an expert witness may be called upon to identify the person whose voice was captured on tape or digitally recorded. However, this type of forensic analysis – commonly referred to as “speaker identification” – has not been universally accepted by the courts. In this article, I look at several US cases where the efficacy of forensic speaker identification has been brought into question. Using concepts from Science and Technology Studies (STS) and Sociolegal Studies, I examine the attempts made by experts to have their methods of voice identification accepted at trial as valid and reliable techniques, and the decisions made by judges to either admit or exclude this evidence. I demonstrate that the various rulings regarding the admissibility of speaker identification evidence reflect the interplay between law and science and is the direct result of the “boundary-work” undertaken by experts and how judges assess these activities. I argue that forensic speaker identification evidence must be understood and conceptualised as “law-science hybrids” that are co-produced over the course of a trial.
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 | 0,015 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,029 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».