Validating a multinomial processing tree model for measuring confidence in lineups using a post-response feedback manipulation

Raoul Bell

doi:10.1186/s41235-026-00719-9

Validating a multinomial processing tree model for measuring confidence in lineups using a post-response feedback manipulation

2026-03-16

0

OA

AI

DOI：10.1186/s41235-026-00719-9

原文链接

查看原文

摘要

En 中文

队形反应中的置信度在研究和实践中具有重要意义。在此，我们引入队形置信度模型，这是对经过充分验证的双高阈值目击者辨认模型的扩展。双高阈值目击者辨认模型用于测量队形反应背后的四种认知过程：罪犯存在检测、罪犯不存在检测、有偏嫌疑人选择和基于猜测的选择。队形置信度模型额外纳入了置信度的测量。为验证队形置信度模型，我们进行了一项大样本实验（N=1565），使用反应后反馈作为置信度的操作变量。置信度呈现出可预测且心理上合理的模式：基于检测的反应比基于猜测的反应更可能导致高置信度，而基于有偏嫌疑人选择的反应也比基于猜测的反应更可能导致高置信度。重要的是，反应后反馈选择性地影响了置信度，同时未对罪犯存在检测、罪犯不存在检测、有偏嫌疑人选择和基于猜测的选择的参数产生影响。因此，可以利用该模型测量置信度，而不会影响模型中规定的其他过程的测量。此次成功验证表明，队形置信度模型可能有助于考察队形特征和外部因素如何作为队形反应基础过程的函数影响置信度。置信度在法律决策者如何解释证人队形反应中扮演核心角色。除了做出队形反应（识别某人或拒绝队形），证人通常被要求使用诸如“非常确定”之类的口头短语或“90%”之类的数值评分来表明其确定程度。最佳实践指南建议在所有队形结果（包括嫌疑人识别、填充识别和拒绝）之后立即收集置信判断。表达的置信度可以强烈影响对证人证词的重视程度。然而，置信度可能受到外部因素（如警官的反馈）的影响，这凸显了理解此类因素如何影响置信度的必要性。为支持这一研究努力，我们开发了并验证了队形置信度模型，这是一种建立在测量队形反应基础过程现有框架之上的形式化认知模型。该模型允许考察置信度如何根据队形反应是基于罪犯存在和罪犯不存在检测、有偏嫌疑人选择或猜测而变化。我们证明，可以利用此模型有效测量置信度，而不会影响队形反应基础过程的测量。因此，该模型提供了一种新的测量工具，用于考察队形程序和反应后影响如何影响置信度。这有助于研究者和实践者更好地理解决定置信度何时具有信息价值以及何时可能具有误导性的因素。

Keyword:

Eyewitness identification

Lineups

Post-identification feedback

Multinomial processing tree model

Confidence judgements

Validating a multinomial processing tree model for measuring confidence in lineups using a post-response feedback manipulation

摘要

AI总结

期刊

机构

引用论文