Warnings From the West: Identification and Expert Evidence as Causes of Wrongful Convictions and the Implications for South Africa (Part 1)
Notice bibliographique
Résumé
Being wrongfully convicted of a crime is arguably one of the most dreadful examples of injustice in any criminal justice system. This phenomenon has been recorded and studied in Western, predominantly adversarial, jurisdictions such as the United States of America, England-Wales, Canada, and Australia since the late twentieth century. Factors that have been found to contribute to wrongful convictions include eyewitness misidentification, faulty forensic evidence, prosecutorial misconduct, inadequate defence, and many more. While adversarial safeguards such as cross-examination and acquired expertise are thought to diminish the chances of wrongful convictions by revealing unreliable evidence, an increasing number of researchers are concerned that these safeguards have little effect on accurate fact-finding in criminal trials. In South Africa, where individual reports of wrongful convictions in the predominantly adversarial criminal justice system have been recorded in the media, no systems exist to track or investigate the injustice of false convictions. The objective of Part 1 of this article is to review the existing literature on eyewitness misidentification evidence as cause of wrongful convictions as well as those adversarial safeguards upon which criminal justice systems rely to identify errors in fact-finding. Parallels are drawn to the adversarial system as it functions in South Africa, and the possibility of misidentification as root and legal cause of wrongful convictions locally is considered.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».