Not every story has two sides: the effect of false balance on perceived scientific consensus about interrogation practices
Notice bibliographique
Résumé
Purpose This study aims to test the effect of a falsely balanced message (i.e. exposure to two opposing arguments) on perceived expert consensus about an interrogation practice. Design/methodology/approach Participants (N = 254) read a statement about minimization tactics and were assigned randomly to one of four conditions, where true expert consensus about the tactic was either presented as high or low, and a balanced message (i.e. read two opposing arguments about the factual nature of the tactic) was present or absent. Findings Results showed that exposure to balanced messages led to less perceived expert consensus; especially when true expert consensus about the tactic was high. Exposure to balanced messages also reduced public support for experts testifying about the interrogation tactic. Research limitations/implications Such findings suggest that pairing expert knowledge (i.e. empirical evidence) about investigative interviewing issues with denials might be powerful enough to override scientific beliefs about important matters in this field. Originality/value Researchers in the field of investigative interviewing have put much effort into developing evidence-based interviewing practices and debunking misconceptions on the field. While knowledge mobilization is particularly important in this consequential, applied domain, there are some individuals who aim to hinder the advancement and reform of investigative interviewing. Falsely balancing scientific findings (e.g. minimization tactics imply leniency) with denials is but one of many practices that can distort the public’s perception of expert consensus on an issue. It is crucial for investigative interviewing researchers to recognize such strategies and develop ways to combat science denialism.
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 | 0,074 | 0,385 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».