When Pleas Precede Evidence
Notice bibliographique
Résumé
In most U.S. jurisdictions, prosecutors are not required to clearly establish a reasonable basis for guilt prior to offering defendants plea deals. We apply Bayesian analyses, which are uniquely suited to illuminate the impact of prior probability of guilt on the informativeness of a particular outcome (i.e., a guilty plea), to demonstrate the risks of plea offers that precede evidence. Our primary prediction was that lower prior probabilities of guilt would coincide with a significantly higher risk for false guilty pleas. We incorporated data from Wilford, Sutherland et al. (2021) into a Bayesian analysis allowing us to model the expected diagnosticity of plea acceptance across the full range of prior probability of guilt. Our analysis indicated that, as predicted, when plea offers are accepted at lower prior probabilities of guilt, the probability that a plea is actually false is significantly higher than when prior probabilities of guilt are higher. In other words, there is a trade-off between prior probability of guilt and information gain. For instance, in our analysis, when prior probability of guilt was 50%, posterior probability of guilt (after a plea) was 77.8%; when prior probability of guilt was 80%, posterior probability of guilt was 93.3%. Our results clearly indicate the importance of ensuring that there is a reasonable basis for guilt before a plea deal is extended. In the absence of shared discovery, no such reasonable basis can be established. Further, these results illustrate the additional insights gained from applying a Bayesian approach to plea-decision contexts.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».