Forensic medical reporting of non-fatal injuries in criminal cases in the Netherlands: a mixed-methods analysis of regional practices
Notice bibliographique
Résumé
Non-fatal physical injuries are common in criminal cases, and their accurate documentation and interpretation are crucial for legal proceedings. In the Netherlands, forensic doctors provide independent injury reports that range from basic injury descriptions to translations of medical information into lay terms and comprehensive expert analysis. However, prior research indicates that these reports are often absent in court cases, despite their recognized importance-particularly in serious crimes and domestic violence cases. The reasons for this limited availability remain largely unclear. This study examined the extent and consistency of forensic medical reporting of non-fatal injuries in adults in the Netherlands, identified regional disparities in forensic medical practices, and explored barriers affecting report availability in criminal cases. A mixed-method approach was used, combining a national survey of forensic medical departments with an analysis of injury reports from 2018 to 2022. Findings reveal substantial regional differences in investigation methods, reporting standards, and the number of reports produced. Variations were linked to the lack of requesting protocols, unclear case definitions for forensic doctor involvement, and capacity constraints. The roles of treating physicians, police, and victims in documenting injuries were also not clearly defined. To ensure equitable access to forensic medical expertise within the criminal justice system, this study recommends national standardization, clearer case prioritization for forensic medical involvement, enhanced collaboration, and enhanced forensic training for treating physicians.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».