Le juge et la science : une étude rationaliste des biais conscients et inconscients dans l’appréciation de la preuve forensique en matière criminelle
Bibliographic record
Abstract
Tant par l’ampleur que le caractère pérenne de leurs conséquences sur la vie des différentes parties prenantes, les erreurs judiciaires suscitent l’indignation autant des régulateurs que des journalistes et de l’opinion publique. Assurer une prise de décision correcte dans le contexte judiciaire nécessite des balises institutionnelles visant, d’une part, à permettre une présentation complète de toute la preuve pertinente devant le juge des faits et, d’autre part, à limiter les erreurs d’appréciation de cette preuve. Notre thèse s’intéresse aux sources d’erreurs d’origine humaine qui limitent une correcte appréciation de la preuve dans le contexte judiciaire qui sont les moins susceptibles d’être mis en évidence par voie de contrôle juridictionnel (d’appel) et qui peuvent justifier la mise en place de balises institutionnelles additionnelles à celles existantes. Tout d’abord, une revue de littérature critique en criminologie et en sciences sociales sur les sources d’erreurs qui entachent généralement la rationalité des jugements (chapitre 1) indique que les décisions rendues dans le contexte judiciaire sont vulnérables à la fois aux biais et « bruits » à toutes les étapes d’un procès. Ensuite, nous nous intéresserons en particulier aux problèmes de compréhension et d’interprétation propres aux preuves scientifiques, comprenant les expertises ainsi que celles obtenues par des outils statistiques, actuariels et technologiques (chapitre 2). En effet, la science apparaît à première vue comme un « auxiliaire de justice » précieux par l’introduction de l’expertise dans les procès. Or, la production en justice d’une preuve forensique doit passer par un travail d’exégèse et de traduction de l’expert forensique au juge ou aux jurés. Tout au long de ce processus, la myopie métacognitive des experts forensiques, le mécanisme du procès contradictoire, l’aménagement des salles d’audience et la manière dont l’information est présentée, ainsi que les difficultés de compréhension de la preuve forensique par les décideurs, pourraient constituer autant d’aléas et de risques de dérive ébranlant la rationalité supposée de ce travail collectif qu’est la tenue d’un procès afin de faire émerger la vérité… judiciaire. Considérant que le contrôle juridictionnel des erreurs de faits par les juges d’instance s’avère assez limité au Canada (chapitre 3), nous proposons en dernier lieu (chapitre 4) quelques pistes de réforme afin de mieux rationaliser l’appréciation de la preuve par les décideurs de faits. Tout d’abord, il y a lieu d’ajouter quelques garanties d’ordre procédural et certaines inférences spécifiquement interdites pour limiter l’occurrence de biais cognitifs en général. Nous nous sommes inspirés ensuite de la formule bayésienne ainsi que la Déclaration de Sydney relative à la science forensique, pour proposer une démarche permettant de « rationaliser » le processus d’appréciation de la preuve afin de limiter les erreurs de compréhension sur la portée et les limites de la preuve d’expert. La formule bayésienne souligne en effet la nécessité de distinguer la probabilité des effets (qui relève des experts), de la probabilité des causes (du ressort exclusif du juge au procès). L’évaluation de ces deux probabilités ne se chevauche pas et fait appel à des considérations distinctes. Dans cette évaluation, la prise en compte du contexte et d’éléments circonstanciels s’avère à double tranchant en ce qu’elle peut à la fois être pertinente pour orienter l’investigation (aider à la génération de nouvelles pistes, hypothèses ou explications alternatives) que constitutive de biais. Le potentiel de biais s’accentue dans les cas de figure plus ambigus ou dont la preuve reste essentiellement circonstancielle. Nous suggérons finalement l’institution du rôle de « critique d’experts » qui peut agir en véritable auxiliaire de justice devant la cour ou en amont, comme auditeur indépendant, pour mieux contrôler l’intégrité du processus forensique et la manière dont la preuve scientifique est présentée devant les tribunaux.
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 | 0.030 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.012 | 0.107 |
| Scholarly communication | 0.022 | 0.017 |
| Open science | 0.002 | 0.012 |
| Research integrity | 0.008 | 0.011 |
| 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".