A practical approach to mitigating cognitive bias effects in forensic casework
Notice bibliographique
Résumé
Historically, forensic science results have been admitted in court, with minimal scrutiny regarding their scientific validity. However, following the National Academy of Sciences (NAS, 2009) report, the forensic community has undergone a significant transformation. This shift has demonstrated that forensic scientists and laboratories want to ensure the scientific rigor and quality of their results, but that they are often uncertain where to begin when addressing concerns about error and bias. In response to these challenges, the Department of Forensic Sciences in Costa Rica designed and began a pilot program within the Questioned Documents Section of the laboratory. This program incorporates various existing research-based tools, including Linear Sequential Unmasking-Expanded, Blind Verifications, case managers, and other important mitigation strategies to enhance the reliability of and reduce subjectivity in forensic evaluations. This article discusses the journey from initial planning through to implementation and the impact of the strategies that were adopted. The article describes how the Department systematically addressed key barriers to implementation and maintenance after implementation, providing a model to other laboratories for prioritizing resource allocation. This successful pilot program demonstrates that there are feasible and effective changes that can mitigate bias, and this article presents evidence that existing recommendations in the literature can be used within laboratory systems to reduce error and bias in practice.
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 | 0,237 | 0,334 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,012 | 0,005 |
| Études des sciences et des technologies | 0,017 | 0,015 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,011 | 0,030 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,005 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».