The impact of the ACE-V methodology on the forensic analysis of signatures and manuscripts
Notice bibliographique
Résumé
This article examines the impact of the implementation of the so-called ACE-V (analysis, comparison, evaluation, and verification) methodology in the field of forensic analysis of signatures and manuscripts. The key components of ACE-V, its application in signature identification and authorship attribution studies, and its effectiveness in comparison to other methods usually noted in forensic reports and defended in court are explored. Experience suggests that ACE-V provides a structured framework that improves accuracy and consistency in the comparison of signatures and manuscripts, and allows findings to be communicated in due form, to maintain a uniform universal language and to offer a greater degree of reliability in conclusions. The ACE-V methodology is distinguished by its rigorous approach to the evaluation of dynamic and graphical features and its ability to provide a clear framework for comparison, signature verification, and for decision making, which can lead to greater accuracy in approach and a reduction in the number of errors and controversies associated with the analysis of signatures and manuscripts. The first appearance of the ACE-V concept was in a 1959 article by Roy Huber, an examiner of questioned documents of the Royal Canadian Mounted Police, and since then it has been used as a reference in different laboratories and manuals of good practices around the world. The methodological approach improves consistency in the application of the analysis criteria, facilitating a more objective comparison between samples and allowing the validation of findings through interlaboratory consultation with other experts and by means of blind peer review, strengthening the reliability of the result. The documented implementation of ACE-V is justified by its ability to address the shortcomings of less structured methods, which often lack a systematic basis for comparison and evaluation. The methodology not only provides a standardized process that can be replicated and reviewed but also improves reproducibility and transparency in forensic analysis.
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 | 0,281 | 0,384 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,013 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,017 |
| Communication savante | 0,025 | 0,014 |
| Science ouverte | 0,007 | 0,015 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».