Теория обнаружения сигналов для опознания очевидцами: Многомерная модель принятия решений

Введение

Память очевидцев предоставляет критически важную информацию для полицейских расследований (Albright, 2017; Wells et al., 2020). Для сбора этой информации полиция часто составляет lineup, который состоит из одного подозреваемого, который может быть виновным или невиновным, и нескольких заполнителей (fillers), которые заведомо невиновны. При просмотре lineup свидетели могут опознать подозреваемого, опознать заполнителя или отвергнуть весь lineup. Но как свидетели используют свою память для принятия решений об опознании? Понимание этого процесса принятия решений жизненно важно как для правовой системы, так и для исследователей, чтобы уменьшить ошибочные опознания и улучшить практику составления lineup (Национальный исследовательский совет [National Research Council, NRC], 2014).

Теория обнаружения сигналов и её применение к решениям очевидцев

Теория обнаружения сигналов (Signal Detection Theory, SDT) предоставляет незаменимую теоретическую основу для понимания и анализа человеческой памяти распознавания (Yonelinas & Parks, 2007). В классической задаче распознавания «старое-новое» люди просматривают либо старый, либо новый элемент и судят, видели ли они этот элемент раньше. Это похоже на showup, при котором свидетели просматривают либо виновного, либо невиновного подозреваемого без каких-либо заполнителей.

Основные принципы SDT

SDT моделирует сигналы памяти людей для старых и новых элементов как два распределения, обычно предполагаемые нормальными. Распределение старых элементов имеет более высокое среднее значение, чем распределение новых элементов, что означает, что люди обычно имеют более сильную память на старые элементы, чем на новые. При принятии решения о том, является ли элемент старым или новым, люди сравнивают силу сигнала элемента с критерием решения. Если сила сигнала превышает критерий, элемент идентифицируется как «старый»; в противном случае он идентифицируется как «новый».

Согласно SDT, решения людей о распознавании являются результатом комбинации двух параметров: дискриминационности (обозначаемой как d'), которая количественно определяет среднее расстояние между распределениями сигналов старых и новых элементов, и критерия решения (обозначаемого как γ), который количественно определяет критерий, принятый для принятия решения о распознавании (Macmillan & Creelman, 2005).

Применение SDT к решениям очевидцев

Из-за своего успеха в моделировании задач распознавания исследователи применили SDT к задачам опознания очевидцами, которые также involve память распознавания (например, Gronlund et al., 2012; Wixted & Mickes, 2014). При просмотре lineup свидетели полагаются на свою память, чтобы решить, соответствует ли какой-либо из членов lineup их воспоминаниям о преступнике. В лабораторных экспериментах свидетели случайным образом распределяются для просмотра либо culprit-present lineup (когда преступник присутствует), либо culprit-absent lineup (когда преступник отсутствует). Соответственно, их решения часто записываются в таблицу сопряженности 3×2, которая охватывает шесть возможных исходов опознания.

Модели SDT для опознания очевидцами

Поскольку lineup включает несколько элементов распознавания, исследователи разработали несколько модифицированных моделей SDT для учета заполнителей lineup:

• Модель WITNESS: разработана как framework компьютерного моделирования, который может реализовать любую модель опознания очевидцами (Clark, 2003).
• Компаундная модель обнаружения сигналов (SDTCD): концептуализирует задачу lineup как процесс принятия составных решений, который включает два этапа: задачу обнаружения и задачу идентификации (Duncan, 2006).
• Ансамблевая модель (Ensemble model): предполагает, что свидетели принимают решения на основе разницы между сигналом отдельного члена lineup и средним сигналом всех членов lineup (Wixted et al., 2018).
• Многомерная модель теории обнаружения сигналов (multid' SDT): предлагает различные меры дискриминационности из-за involvement заполнителей (Lee & Penrod, 2019).

Многомерная модель теории обнаружения сигналов (mSDT)

Данная статья предлагает многомерную модель теории обнаружения сигналов (multi-item Signal Detection Theory, mSDT) для лучшего понимания решений об опознании очевидцами. Ключевой особенностью модели mSDT является то, что она рассматривает эти решения в framework совместных распределений сигналов подозреваемого и заполнителей.

Основные допущения модели

Модель mSDT основана на следующих ключевых допущениях:

• Свидетели полагаются на сигналы членов lineup для принятия решений об опознании
• Сигналы виновных подозреваемых, невиновных подозреваемых и заполнителей являются случайными выборками, взятыми из независимых нормальных распределений с одинаковой дисперсией
• Распределение невиновного подозреваемого имеет такое же среднее значение, как и распределение заполнителей в справедливом lineup
• Свидетели используют правило принятия решений MAX для принятия решений об опознании

Визуализация многомерного пространства решений

Модель mSDT визуально представляет процесс принятия решений свидетелями в многомерном пространстве решений. Визуализация показывает не только то, как совместные распределения включают как сигналы подозреваемого, так и сигналы заполнителей, но и то, как правила принятия решений свидетелями разделяют совместные распределения на сегменты, соответствующие различным исходам опознания очевидцами.

Совместные распределения для разных типов lineup

Модель mSDT рассматривает совместные распределения сигналов для двух типов lineup:

• Culprit-present lineups: совместное распределение сигналов виновного подозреваемого и максимального заполнителя
• Culprit-absent lineups: совместное распределение сигналов невиновного подозреваемого и максимального заполнителя

Альтернативные допущения модели

Хотя основные допущения модели полезны для разработки модели, они могут упрощать сложности, присущие данным lineup. Ниже рассматриваются альтернативные допущения модели, которые могли бы accommodate более сложные соображения.

Альтернативные допущения распределения

Рассмотрим возможные вариации в базовых распределениях сигналов членов lineup:

• Неравные дисперсии: модификация модели для учета потенциальных различий в изменчивости между сигналами членов lineup
• Коррелированные сигналы членов lineup: учет корреляций между сигналами членов lineup, которые могут возникать из-за общих черт

Альтернативные правила принятия решений

Модель mSDT подчеркивает важность правил принятия решений свидетелями. Многомерное пространство решений позволяет свидетелям использовать более сложные правила принятия решений, выходящие за рамки простого линейного правила:

• Сдвиг критерия: учет возможности того, что свидетели могут использовать different критерий решения для culprit-present и culprit-absent lineup
• Правило решений DIFF: идентификация члена lineup, если он имеет самый сильный сигнал и если разница между его сигналом и сигналом следующего по силе превышает критерий решения
• Правило решений интеграции: идентификация члена lineup, когда он имеет самый сильный сигнал и когда сумма всех членов lineup превышает критерий решения
• Ансамблевое правило решений: использование разницы между сигналом члена lineup и средним сигналом всех членов lineup в качестве переменной решения

Теоретические и практические implications

Модель mSDT предлагает важные теоретические достижения для исследования очевидцев и проливает свет на текущие дебаты вокруг анализа ROC очевидцев. Моделируя распределения максимальных заполнителей и многомерные совместные распределения, mSDT эффективно учитывает роль заполнителей lineup, обеспечивая более nuanced понимание того, как члены lineup интерактивно влияют на процесс принятия решений свидетелями.

Роль правил принятия решений и анализ ROC очевидцев

Многомерное пространство решений в mSDT освещает роль правил принятия решений. В отличие от линейного правила по умолчанию в классической модели uSDT, свидетели могут adopt более сложные правила принятия решений в задаче lineup. Как обсуждалось, свидетели могли бы потенциально использовать many different правила принятия решений, которые проливают свет на применение анализа ROC к решениям очевидцев.

Роль заполнителей

Модель mSDT учитывает не только правила принятия решений свидетелями, но и заполнители lineup. Включение заполнителей lineup имеет важные implications для понимания решений об опознании очевидцами.

Различие между справедливостью lineup и сходством заполнителей

Исследователи очевидцев часто используют «справедливость lineup» и «сходство заполнителей» как взаимозаменяемые понятия. Но эквивалентны ли эти два понятия? Модель mSDT помогает прояснить различие между «справедливостью lineup» и «сходством заполнителей».

Заключение

Данная статья предлагает модель mSDT для лучшего понимания того, как свидетели используют свою память для принятия решений lineup. Модель решает major вызов в исследовании очевидцев: наличие заполнителей lineup, что создает задачу принятия решений, которая отклоняется от бинарных решений распознавания, typically рассматриваемых SDT. Связанная с этим challenge, предыдущие модели очевидцев generally представляют задачи lineup в univariate пространстве решений, neglecting fully интегрировать сигналы заполнителей. Модель mSDT решает эту проблему, incorporating совместные распределения сигналов подозреваемого и заполнителей и представляя эти распределения и правила принятия решений свидетелями в многомерном пространстве решений.