Indigenous Victims with Mental Illness: The Influence of Stereotypes and Stigma on Mock-Juror Perceptions
Notice bibliographique
Résumé
This study examined jurors' perceptions of victim race and mental illness as a function of defendant race in a mock-juror decision-making context.Victim race (Indigenous vs. White) and Mental Illness (substance abuse vs. schizophrenia vs. no mental illness) along with officer's race (Indigenous vs. White) were manipulated in a mock-trial transcript.Participants (N = 320) were recruited from psychology courses.Contrary to the hypotheses, Indigenous victims and defendants were perceived more positively than White victims or defendants.In line with the hypotheses, victims with substance use disorder and schizophrenia were perceived as less credible than victims with no mental illness, that was exacerbated by Negative Beliefs Toward Mental Illness.Defendants were less likely to be convicted when the victim was Indigenous with a mental illness.This research contributes to the understanding of juror bias against marginalized communities and can be used to inform policies in the Criminal Justice System towards promoting more just practices.thesis.Firstly, I owe so much gratitude to Dr. Joanna Pozzulo.Not only did she play an important role in the completion of thesis, but she taught me so much and provided me with many incredible opportunities that have made a huge positive impact on my academic career.She took a chance on me, and I appreciate the amount of kindness, time, expertise, and guidance she provided me.I would also like to thank my secondary supervisor, Dr. Emily Pica for meeting with me countless times, answering all my questions without judgement, and for always being a positive and supportive mentor to me.I would like to also thank the PhD students in my lab, Lauren Thompson, and Bailey Fraser.They have supported me through the completion of this thesis and were always there to answer questions or meet with me when needed.I would like to thank my fellow MA students in my lab -Alexia
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 | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».