Trust but verify: The biasing effects of witness opinions and background knowledge in workplace investigations
Notice bibliographique
Résumé
Introduction: A unique feature of workplace investigations is the familiarity that investigators and witnesses have with the factors involved in the adverse incident. Familiarity creates expectations that can shape investigators' and witnesses' assumptions and opinions. The current research examined the biasing effect of non-factual witness claims on investigators' judgments. These claims, which we call 'uncheckable', included opinions about factors involved in the event and the future. We also examined how participants' a priori knowledge of an employee's history influenced their judgments.Method: This experiment used a 2 (background information: control or unsafe) x 2 (uncheckable content: neutral or unsafe) between-subjects design. Participants were provided with background information about a worker (control or unsafe history) and a witness statement about a workplace event that contained uncheckable claims (neutral or worker as unsafe). We tested how our manipulations biased participants' judgments of (i) the cause of the event, (ii) the witness's confidence and credibility, and (iii) the diagnosticity of the witness's account. We also tested if biasing background information affected how factual participants found the witness’s statement.Results: Biasing uncheckable information (i.e., opinions) affected participants' judgments of event cause (ηp2 = .033) and increased their ratings of witness confidence (ηp2 = .074). Biasing background information about a worker affected participants' judgments of the cause of the event (ηp2 = .088), the diagnostic value of the witness statement (ηp2 = .054), and the number of factual claims in the witness statement, resulting in more uncheckable claims being misclassified as potential facts (ηp2 = .18). Conclusion: This experiment demonstrated the significant effect that non-factual witness statements and irrelevant background information can have on the interpretation of evidence and judgments about the cause of events.Practical Application: Understanding how contextual information can bias investigative judgment helps workplace investigators manage its influence in their judgment practices.
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 | 0,027 | 0,212 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».