Old habits die hard: Precedent, psychology, and the admissibility of forensic evidence
Notice bibliographique
Résumé
Forensic evidence, long considered a cornerstone of criminal justice, has faced increasing scrutiny as recent studies and reports expose significant flaws in its scientific foundation. Techniques such as latent fingerprint analysis, microscopic hair comparison, and ballistics matching, which had been widely accepted for decades, are now being challenged for their lack of empirical validation. Yet, despite the growing acknowledgement of widespread issues affecting the reliability and validity of many types of forensic evidence, there are surprisingly few successful challenges to the admissibility of this type of forensic evidence, and, when the evidence is challenged, it is often found to be admissible. In the United States, Daubert and Rule 702 mandate that expert evidence be based on reliable principles and methods, but many courts have failed to rigorously apply these standards, often deferring to precedent rather than conducting a thorough analysis of the scientific validity of forensic techniques. This article argues that cognitive biases play a significant role in the US judicial system’s continued acceptance of unreliable forensic evidence. In particular, judges may rely on precedent as a heuristic – or cognitive shortcut – to admit unreliable forensic evidence, even in the face of new scientific evidence challenging the validity of that evidence. In this way, what appears to be deference to precedent may instead be the impact of various cognitive biases on the judge’s decision making. The discussion also considers how the bias blind spot contributes to judges’ reluctance to reject longstanding, but scientifically flawed, forensic techniques. Notwithstanding these challenges, judicial education on scientific standards, greater diversity on the bench, and a heightened awareness of cognitive biases and debiasing strategies could help mitigate these issues and promote more rigorous evaluation of forensic evidence in the courtroom.
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 | 0,038 | 0,110 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,066 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».