A forensic linguistic Analysis of Discursive Deception in Criminals' Statements: A Case Study of the Canadian Serial Killer Robert Pickton
Notice bibliographique
Résumé
This research paper aims at specifying the indicators of discursive deception in the interrogation of the most famous Canadian serial killer Robert Pickton on February 23, 2002. Qualitative and quantitative methods are used in this research. The qualitative method appears in the forensic linguistic analysis of the indicators of discursive deception. The approaches adopted for the analysis of Pickton's statement are Mack McClish's (2001) approach for statement analysis as represented in his I know You are Lying: Detecting Deception Through Statement Analysis and the approach of John H. Powers’ (2019) for discursive deception as represented in his essay “Discursive Dimensions of Deceptive Communication: a Framework for Practical Analysis”. The quantitative method appears in the numerical data using Laurence Anthony's AntConic Software version 3.5.8 (2019) and Mick O' Donnell's UAM Corpus tool version 3.3x 2007. The results of this study are deduced based on the frequency tables of the indicators of discursive deception used by Pickton in his police interrogation on February 23, 2002. This study suggests a classification of the indicators of criminals’ discursive deception based on analyzing the indicators of discursive deception exploited by Robert Pickton in his police interrogation on February 23, 2002. Pickton’s interrogation revolves around the accusations of fifty murder cases of sex-working girls in his pig farm in Port Coquitlam, British Columbia Canada. He is known as the butcher or the pig farmer killer.
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,019 | 0,010 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».