Facteurs explicatifs de la confession en contexte d’interrogatoire policier : une analyse d’arbres décisionnels
Bibliographic record
Abstract
La plupart des études sur la confession se sont penchées sur l’influence individuelle de différents facteurs explicatifs de la confession de suspects en contexte d’interrogatoire, négligeant les interactions potentielles entre ces facteurs et leur influence combinée sur la décision du suspect d’avouer ou non le crime reproché. Afin de remédier à cette situation, la présente recherche propose une approche profil basée sur des analyses d’arbres de classification et de régression, aussi appelées analyses d’arbres décisionnels, afin de déterminer les associations, la hiérarchie et le poids relatif de chacun de ces facteurs explicatifs dans le processus décisionnel du suspect. Cette étude repose sur les données autorévélées pour un échantillon de 211 détenus incarcérés dans un pénitencier canadien. Les résultats indiquent notamment la présence de différents profils/combinaisons de facteurs jouant un rôle plus ou moins grand dans le processus décisionnel et la probabilité d’une confession. Plus particulièrement, ils mettent de l’avant l’importance marquée des facteurs situationnels et l’influence qu’aura la police sur la prise de décision du suspect de confesser ou non son crime. Les profils décisionnels et le poids des facteurs explicatifs observés seront discutés à la lumière des connaissances actuelles quant à la confession, tout en soulignant l’implication de ces résultats pour les interrogatoires policiers.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.019 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".