Van opsporing tot bewijsvoering:Plaats delict-onderzoek voor de hele strafrechtsketen
Bibliographic record
Abstract
In dit onderzoek is naggeaan hoe het plaats-delict onderzoek optimaal kan aansluiten bij de wensen van actoren in de strafrechtspleging. Daarvoor is eerst onderzocht welke doelen door deze actoren belang worden geacht. Zij blijken hierin eensgezind: alle actoren vinden het opsporen van de verdachte, het reconstrueren van het delict en het opbouwen van bewijsvoering belangrijk, evenals het falsificeren of uitsluiten van scenario’s of personen tijdens het PD-onderzoek. Eerdere promotie-onderzoeken van De Gruijter (2017) en Mapes (2017) lieten zien dat rechercheurs in Nederland geen uniforme werkwijze hanteren. Dit werd aangetoond door forensisch rechercheurs een plaats delict onderzoek te laten uitvoeren op een gesimuleerde plaats delict. Heranalyse van deze data laat zien dat rechercheurs ook van elkaar verschillen in waar zij hun werkplek kiezen, of zij iteratief of stapsgewijs te werk gaan, en of en op wat voor manier zij ervoor zorgen dat zij de hele plaats delict goed hebben gezien. Uit deze analyse kan worden afgeleid dat een stapsgewijze werkwijze en een systematische aanpak van toegevoegde waarde zijn. Verder laat dit onderzoek zien dat informatie-uitwisseling tussen forensisch onderzoekers en tactisch rechercheurs bijdraagt het overwegen van relevante scenario’s en het inschatten van de relevantie van mogelijke sporen, dat de doelen van de actoren het beste worden gediend met een breed, gedegen onderzoek waarbij meerdere scenario’s worden onderzocht, en dat het voor actoren in de strafrechtspleging van belang is dat rechercheurs hun overwegingen en beslissingen goed registreren. Ook is het belangrijk dat rechercheurs al tijdens het plaats delict onderzoek goed nadenken over het doel waarmee sporen worden veiliggesteld, omdat dit een goede benutting van informatie die uit sporenanalyses bevordert.
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 | 0.007 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.009 |
| Scholarly communication | 0.011 | 0.014 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.026 | 0.004 |
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".