Potentiel et limites de l’approximation faciale forensique sur un crâne sec assistée par le phénotypage d’ADN
Bibliographic record
Abstract
La reconstruction faciale permet d’approximer un visage sur la base d’un crâne, lorsque des restes \nhumains sont retrouvés. En science forensique, elle est l’un des outils utilisés dans un but \nd’identification post-mortem. Les procédures actuelles d’approximation ne sont pas standardisées \net constamment revisitées. Il est également possible d’obtenir des prédictions du phénotype d’un \nindividu (caractères physiques apparents) à partir de son ADN, qui pourraient être ajoutées aux \nreconstructions pour maximiser les chances de reconnaissance. Cette recherche vise à étudier \nl’approximation faciale à des fins de reconnaissance et l’apport du phénotypage par l’ADN à cette \npratique. Le crâne et le relevé biologique d’un donneur du laboratoire d’anatomie de l’UQTR ont \nété utilisés. Six praticiens ont approximé son visage à partir d’une copie de son crâne et de ses \ndonnées phénotypiques et anthropologiques. Les résultats corroborent qu’il existe un manque de \nstandardisation des méthodes et techniques, menant à différents résultats selon le praticien. Des \ntests de reconnaissance et de ressemblance ont été effectués à l’aide d’un échantillon de 46 \nparticipants. Malgré la variabilité des approximations, elles ont toutes été reconnues au moins une \nfois lors des tests de reconnaissance, soulevant la possibilité que la reconnaissance d’un visage est \nidiosyncratique. Les caractéristiques qui semblent influencer davantage la reconnaissance sont la \nforme, la taille et la position des yeux, de la bouche et du nez. Finalement, au regard des incertitudes \npropres à la méthode et du rôle investigatif de l’approximation faciale, il est recommandé que le \nphénotypage accompagne l’accompagne par écrit.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".