MétaCan
Menu
Retour à la cohorte
Enregistrement W4399202913 · doi:10.29173/wclawr109

“Not Scientific” to Whom? Laypeople Misjudge Manner of Death Determinations as Scientific and Definitive

2024· article· en· W4399202913 sur OpenAlexaffvenue
Jeff Kukucka, Oyinlola Famulegun

Notice bibliographique

RevueThe Wrongful Conviction Law Review · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueEthics in medical practice
Établissements canadiensUniversité de MontréalUniversité LavalUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésPolitical science

Résumé

récupéré en direct d'OpenAlex

When someone dies unexpectedly, a medical examiner may perform an autopsy to determine how they died (i.e., manner of death). Recent studies found that cognitive bias can affect manner of death judgments, such that extraneous non-medical information may cause the same death to be judged as either a homicide or accident, which has significant legal ramifications. In response, leading medical examiners clarified that manner of death is “not scientific” and “often does not fit well in court.” Yet medical examiners often testify in court, and little is known about how fact-finders appraise their judgments. To address this gap, we conducted two experiments in which mock jurors read and evaluated a medical examiner’s testimony at a murder trial (modeled after the real-world case of Melissa Lucio), while varying the expert’s opinion (i.e., homicide or accident) and the defendant’s attributes (i.e., an affluent white or underprivileged Latina woman). Overall, participants rated the medical examiner’s testimony as highly scientific, credible, and convincing, and it strongly affected their verdicts and belief in the defendant’s guilt, irrespective of the defendant’s attributes. Moreover, participants unexpectedly rated the expert as even more credible if they ruled the death a homicide rather than an accident. Our data thus reveal a worrisome disconnect between how medical examiners characterize their judgments (i.e., as nonscientific and tentative) and how jurors appraise those judgments (i.e., as highly scientific and practically dispositive). We discuss ways to remedy this disconnect, including reforming death investigation practices to curtail bias and encourage standardization and transparency.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,020
score de la tête « metaresearch » (Gemma)0,098
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,997
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,098
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0030,006
Communication savante0,0060,004
Science ouverte0,0010,002
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,137
Tête enseignante GPT0,495
Écart entre enseignants0,358 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Wrongful Conviction Law ReviewMême sujetEthics in medical practiceTravaux en français237 207