« J’suis pas raciste, mais… » : une étude expérimentale de l’influence de l’identité autochtone et des biais cognitifs des évaluateurs sur le processus d’évaluation du risque et des besoins
Bibliographic record
Abstract
L’évaluation du risque de récidive et des besoins criminogènes, à l’aide d’instruments actuariels, joue désormais un rôle intégral dans le système de justice canadien. Les résultats à ces évaluations orientent plusieurs décisions concernant la prise en charge correctionnelle, notamment les besoins en matière de traitement et les possibilités de libération. Considérant les implications importantes de ces évaluations, il est primordial de s’assurer de l’impartialité des instruments utilisés, sans quoi il peut être possible de perpétuer la discrimination systémique vécue par certains groupes ethnoculturels. Au Canada, plusieurs études suggèrent que les instruments actuariels sont moins efficaces pour prédire la récidive auprès de contrevenants issus des peuples autochtones. Certains auteurs soutiennent que ces différences dans la capacité prédictive des instruments pourraient être dues à la présence de biais dans l’évaluation. Peu d’études se sont intéressées à l’effet des biais cognitifs des évaluateurs sur le processus d’évaluation. Ainsi, cette étude a pour objectifs d’étudier, d’une part, l’effet de l’identité autochtone et, d’autre part, l’effet des biais cognitifs des évaluateurs sur le processus d’évaluation et les décisions en matière de traitement. Pour ce faire, un devis expérimental assignant aléatoirement 83 participants en criminologie à un Agent Virtuel Autonome (AVA) pouvant prendre la forme d’un adolescent caucasien ou d’un adolescent autochtone a été préconisé. Les personnages sont identiques en tous points sauf en ce qui a trait à leur origine ethnoculturelle. Les participants se sont entretenus avec l’AVA et ont par la suite dû procéder à l’évaluation du risque de récidive et des besoins criminogènes du personnage à l’aide du YLS/CMI et la rédaction d’un rapport d’évaluation détaillant le plan d’intervention qui serait envisagé pour le personnage. Les données ont ensuite été comparées selon l’identité ethnoculturelle du personnage, et des modèles de modération ont été utilisés afin d’évaluer l’effet des biais cognitifs sur le processus d’évaluation selon l’identité ethnoculturelle du personnage. Les résultats mettent de l’avant qu’il existe plusieurs différences dans le processus d’évaluation dépendamment de l’identité autochtone, qui engendrent une évaluation plus sévère de ce dernier, en plus de suggérer que les biais cognitifs des participants les amènent à favoriser le personnage blanc. Les implications pratiques et théoriques de ces résultats sont discutées.
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 | 0.021 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".