시뮬레이션된 시청 거리는 중간 거리가 아닌 긴 거리에 대한 신뢰도-정확도 관계를 손상시킵니다: 특징 모호성의 역할을 통합하는 모델 지원 1부
Oct 13, 2023
추상적인
목격자 식별 연구에서는 식별 정확도에 영향을 미칠 뿐만 아니라 신뢰도-정확도(CA) 관계에도 영향을 미칠 수 있는 요소를 식별해야 할 필요성이 증가하고 있습니다. 얼굴의 기억에 눈에 띄는 영향을 미치는 변수 중 하나는 시청 거리입니다. 짧은 거리에서 인코딩된 얼굴은 긴 차이로 인코딩된 얼굴보다 더 잘 기억됩니다.
현대사회의 지속적인 발전과 함께 범죄 목격자의 수도 점차 늘어나고 있다. 이 경우 증인은 피의자의 생김새, 동선 등 핵심정보를 효과적으로 파악하고 기억할 수 있어야 한다. 목격자의 인식과 기억 사이에는 관계가 있습니다.
첫째, 증인이 용의자를 알아보는 데에는 좋은 기억력이 핵심이다. 목격자가 용의자의 외모, 신체 특성, 움직임 습관 등의 정보를 명확하게 기억할 수 있다면 사건 해결의 성공률은 크게 높아질 것입니다. 증인이 용의자를 식별하려면 좋은 기억력이 매우 중요하다는 것을 알 수 있습니다.
둘째, 증인의 심리적 상태도 그들의 인식과 기억 능력에 영향을 미칠 것입니다. 예를 들어, 목격자가 겁을 먹거나 긴장하면 주의가 산만해지고 기억력도 영향을 받습니다. 대조적으로, 증인이 침착하고 집중을 유지한다면, 용의자에 대한 정보를 더 잘 기억할 수 있을 것입니다. 그러므로 증인은 부정적인 감정을 극복하고 침착함을 유지하여 더 잘 인식하고 관찰할 수 있어야 합니다.
또한 증인의 삶의 경험과 인지능력 역시 인지와 기억에 중요한 역할을 한다. 주변의 사람과 사물을 정기적으로 관찰하고, 심리학 지식 등을 학습함으로써 관찰력과 이해력을 향상시킬 수 있습니다. 동시에, 적극적으로 두뇌를 운동시키고 좋은 생활 습관을 유지하는 것도 기억력과 인지 능력을 향상시키는 데 도움이 될 수 있습니다.
즉, 목격자의 식별력과 기억력은 범죄 해결에 중요한 역할을 한다. 좋은 정신 상태를 유지하고, 적극적으로 운동하고, 인지 능력을 향상시켜야만 증인의 역할을 더 잘 수행하고 경찰이 사회의 평화와 안정을 유지할 수 있도록 도울 수 있습니다. 기억력을 향상시켜야 함을 알 수 있습니다. Cistanche Deserticola는 많은 독특한 효과를 지닌 전통 중국 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 그 중 하나는 기억력을 향상시키는 것입니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 많은 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방법으로 뇌 건강을 증진할 수 있습니다.
실험실과 온라인 샘플을 모두 사용하는 사전 등록된 네 가지 실험에서 서로 다른 레벨(중간 및 원거리)에서 시뮬레이션된 시청 거리에서 본 얼굴과 매우 가까운 거리에서 본 얼굴을 비교했습니다. 거리는 다음과 같은 가우시안 블러 기능을 사용하여 시뮬레이션되었습니다. 블러 수준이 높을수록 시뮬레이션 거리가 길어집니다. 우리는 시뮬레이션된 중간 거리와 원거리 모두 시뮬레이션되지 않은 거리에 비해 전반적인 메모리 성능이 저하되고, 거리가 늘어나면 메모리 성능이 저하된다는 사실을 발견했습니다.
그러나 멀리 시뮬레이션된 거리는 CA 관계를 손상시켰습니다. 네 번째 실험에서 우리는 사전 테스트 경고가 원거리 시뮬레이션 거리에서 본 얼굴에 대한 CA 관계의 손상을 개선하지 못한다는 것을 발견했습니다. 연구 결과는 먼 거리에서 본 얼굴에 대해 만들어진 높은 신뢰도의 식별을 무시해야 하며 기억이 임계 수준 유의성으로 감소할 때 기억에 영향을 미치는 추정 변수가 CA 관계를 저하시킬 수 있음을 시사합니다.성명
목격자가 범죄가 전개되는 것을 목격할 때 여러 변수가 나중에 신원을 확인할 수 있을 가능성에 영향을 미칩니다. 과거 연구에서는 신원 확인에 대한 신뢰도와 정확성 사이의 관계가 매우 미약하다고 주장했지만 최근의 분석 전략으로 인해 이러한 인식이 바뀌었습니다. 인코딩 이벤트의 상황이 이상적인 한 신뢰도는 정확성을 나타내는 좋은 지표가 될 수 있습니다. 덜 알려진 것은 신뢰도와 정확성 사이의 관계가 비이상적인 상황에서도 유지될 수 있는지 여부입니다.
목격자의 메모나 얼굴은 거리가 멀어짐에 따라 품질이 저하된다는 것이 잘 알려져 있지만, 이 요인이 신뢰도와 정확성 사이의 관계에 영향을 미치는지는 잘 알려져 있지 않습니다. 일부 연구에서는 신뢰도와 정확성 사이의 관계가 일부 거리에서는 보존되지만 다른 거리에서는 보존되지 않을 수 있음을 발견했습니다. 연구자들은 목격자가 시야 거리가 증가함에 따라 얼굴 식별 작업이 얼마나 어려운지 인식하지 못하기 때문에 발생한다고 제안했습니다.
네 가지 실험에서 우리는 개인이 다소 보수적으로 전략을 변경할 가능성을 제거하지만 일부 얼굴은 다른 얼굴보다 인식이 더 어려울 것이라는 사실을 고려한 피험자 내 디자인을 사용했습니다. 우리는 장거리만이 신뢰도-정확도 관계를 손상시킨다는 증거를 발견했습니다. 중간 정도의 거리는 그렇지 않았으며, 이는 인코딩 시 기능 모호함이 인식 성능에 대한 과신 신뢰보다는 영향을 받는 효과로 이어진다는 것을 의미합니다.
목격자 기억 연구자가 정확도 사이의 관계를 정량적으로 특성화하는 방식이 비교적 최근에 변경됨에 따라 정확도 가능성을 예측하기 위해 목격자의 신원 확인 능력에 영향을 미치는 요인과 영향을 주지 않는 요인을 식별하는 데 대한 관심이 다시 부각되었습니다(Wixted & Wells, 2017). ). 따라서 우리는 특정 추정 변수, 즉 식별 정확도에 영향을 주지만 형사 사법 시스템의 통제를 받지 않는 방식에 관심이 있습니다(Wellsinfluence는 이 관계에 영향을 미칩니다.
심리학 및 법학 분야의 많은 연구가 시스템 변수 또는 형사 사법 시스템의 통제를 받는 요소에 올바르게 초점을 맞추고 있는 반면, 추정 변수도 이해하는 것이 중요합니다(S Miler et al., 2018). 왜냐하면 특정 목격자가 특정 목격자의 맥락에서 가해자의 생물학적 특이성을 성공적으로 식별할 가능성이 얼마나 되는지에 대한 증거 기반 예측을 생성할 수 있기 때문입니다. 해당 맥락이 기억 성능에 미치는 영향을 이해하면 되기 때문입니다. 현재 연구에서 우리는 신뢰도와 정확성 사이의 관계의 영향을 더 잘 이해하기 위해 하나의 추정 변수인 시청 거리(인코딩 시 관찰자와 대상 얼굴 사이의 거리)에 중점을 두었습니다.
목격자와 나중에 정확성을 식별하는 데 필요한 얼굴 사이의 거리가 감소한다는 것은 일반인에게는 놀라운 일이 아닙니다. 이 사실은 과학적으로 명확하며(예: Lindsayet al., 2008; Nyman et al., 2019; Lockamyier et al., 2020) 공식 정책 입안자들은 자금 지원을 인정했습니다. 예를 들어 Lindsay et al. 대학 캠퍼스의 학생들에게 접근하여 4~15미터 또는 20~50미터 떨어진 곳에 나타난 연구 조교의 얼굴을 인코딩하도록 요청했습니다.
그런 다음 참가자들은 즉시 또는 24시간 동안 타겟이 없거나 타겟이 있는 라인업에서 라인업 결정을 내렸습니다. 직관적인 예측을 확인하면 장거리에서 올바른 타겟 식별이 더 나빴습니다. 비슷한 맥락에서 Nyman et al. 참가자들은 5~110m 범위의 다양한 거리를 보다 통제된(그러나 여전히 자연주의적인) 설정으로 인코딩했습니다. 참가자들은 라인업에서 유사하게 식별했으며 동일한 패턴의 결과가 나타났습니다.
그러나 Lindsay et al.에서 사용된 테스트 조건의 실제 특성은 다음과 같습니다. (2008) 및 Nyman et al. (2019)은 실험실 표준에 따라 이상적인 것보다 더 높은 가변성을 도입합니다.
이러한 제안은 연구자들이 자연 조건을 면밀하게 시뮬레이션하고 엄격한 실험적 제어를 수행하는 것 사이에서 만들어야 하는 훌륭한 예시를 제공합니다. 어떤 접근 방식이 가장 좋은지에 대한 정답은 없지만 다른 연구자들은 자연 세계의 물리적 거리에 해당하는 얼굴(실제 얼굴이 아닌)의 디지털 팩시밀리를 사용하여 실험실에서 시청 거리를 시뮬레이션하려고 시도했습니다. 다행히도, 경험적으로 확립된 여러 방식으로 거리를 시뮬레이션할 수 있습니다. 먼저 목격한 사건을 비디오에 기록하고 대상과 카메라 사이의 거리를 변경하는 것입니다(Lockamyieret al., 2020). 연구자들은 참가자에게 얼굴 사진을 제시하되 크기를 대략적인 거리로 줄이도록 선택할 수도 있습니다(예: Loftus & Harley, 2005).
그러나 두 접근 방식 모두 원격 참가자가 사용하기로 선택한 디스플레이 크기에 관한 표준화가 부족하여 원격 데이터 수집을 제대로 변환하지 못합니다. 이 문제를 해결하기 위해 우리는 얼굴을 어느 정도 흐리게 하여 시뮬레이션된 거리를 늘리거나 줄이는 방법을 선택했습니다. 얼굴 블러링은 다양한 방법으로 수행할 수 있습니다(예: Gaussian Blur, Lampinen et al., 2015; 필터 필터, Loftus & Harley, 2005). 축소된 크기의 이미지를 표시하는 논리와 유사하게, 얼굴 이미지를 흐리게 하면 멀리 있는 얼굴이 망막에 있는 더 적은 수의 광수용체로 표현된다는 사실이 시뮬레이션됩니다. 즉, 얼굴의 각 특징이 더 적은 수의 세포로 인코딩되어야 하므로 픽셀화된 이미지와 비슷한 결과가 나옵니다.
Loftus와 Harley(2005)는 이러한 접근 방식을 채택했으며 낮은 필터를 사용하면 시야 거리의 생체 내 변화(사진 크기를 줄이는 것과 비슷함)를 완벽하게 시뮬레이션한다는 것을 발견했습니다. 이 연구에 이어 Lampinen et al. (2015)는 가우시안 블러(비슷한 저역 시각 효과를 생성하는)를 사용하고 더 자연주의적인 연구 절차와 일치하는 증거를 찾았습니다. 즉, 시뮬레이션된 거리의 정확도에 대한 음의 단조 추세입니다. 따라서 블러 기능을 사용하여 거리 효과를 시뮬레이션하고 연구자가 긴밀한 관계를 유지할 수 있습니다. 실험실 코티솔. 이 방법은 참가자가 흐린 얼굴을 의도한 대로 인코딩하도록 화면의 시각적 각도를 조정할 수 있기 때문에 크기 조작에 비해 이점이 있지만 의도한 효과기 효과를 개선하지는 않습니다.
이러한 흐릿한 절차를 통해 우리는 거리가 목격자 기억의 신뢰도와 정확성 사이의 관계에 어떻게 영향을 미치는지 조사할 수 있었습니다(Lampinen et al., 2014). Eyewimisidentificationcation은 Innocence Project(Innocence Project, 2019)에 의해 지난 수십 년 동안 번복된 사건에 가장 큰 기여를 한 사건입니다. 연구자에 따르면 아들의 변덕스러운 신원 확인에 따른 상황을 확인해야 할 필요가 있는 경우에는 일반적으로 신원 확인에 신뢰와 판단이 수반되며 메시지가 표시될 수도 있고("이 사람이 그 사람이라는 것이 얼마나 확실합니까?") 메시지가 표시되지 않을 수도 있습니다("확실히 Isaw라는 사람이었습니다!").
그러한 정보가 아들 신원 확인과 연결되는 빈도를 고려할 때, 사실 확인자에 대한 유용성을 결정하는 것은 형사 사법 시스템에서 필요합니다(Smalarz et al., 2021; Wells et al, 1981, 2002). 불과 30년 전만 해도 목격자 기억 연구자들은 목격자의 신뢰도가 목격자의 정확성과 기껏해야 약한 관련이 있다는 데 일반적으로 동의했습니다(Sporer et al., 1995). 그러나 그 정서는 그 이후로 바뀌었습니다. Wixted와 Wells(2017)는 최근 법적 맥락에서 정확성의 예측 변수로서 우리의 신뢰를 지지하는 사례를 만들었습니다. 이는 신뢰도와 정확성에 대한 이전 가정이 잘못된 분석적 접근 방식에 기반을 두고 있다고 주장했습니다(즉, 점-이중 상관 관계, Juslin et al 참조). ., 1996년 토론).
Teir 제안에는 다음과 같은 경고가 있었습니다. 얼굴의 인코딩 식별 시 조건이 실증 식별에 유리한 경우에만 신뢰도를 정확도의 예측 변수로만 사용해야 합니다(예: 인코딩 시 추정 변수가 더 나은 기억과 연관되어 있음) 성능 시스템 수준 요인 지식 영향, 목격자 정확성 또는 신뢰도가 없습니다). 그러나 일부에서는 이러한 유리한 조건이 타당하고 신뢰할 수 있는 정확성 예측 변수가 되기에는 조건 신뢰도가 충분하지 않을 수 있지만 반드시 필요한 것은 아니라고 주장했습니다(Mickes et al., 2017).
본질적으로, 목격자의 기억을 전반적으로 손상시키지만 신뢰도-정확도 관계는 그대로 유지하는 몇 가지 차선책 조건이 있을 수 있습니다(이러한 정확성을 확인하는 현장 연구는 Wixtedet al., 2016 참조). 이는 법적 맥락에서 입증 증거로서의 신뢰도에 좋은 징조입니다. , 이는 신뢰도가 낮은 테스트 증인이 재판을 진행하는 것을 방지할 수 있는 필터링 메커니즘을 사전 필터링하기 때문입니다(신뢰도는 신원 확인 가능성이 낮기 때문입니다).
시청 거리와 관련하여 신뢰도, 정확성을 구체적으로 조사하려는 연구는 상대적으로 적습니다. Semmleret al. (2018)은 Lindsayet al.의 tconconfidencee 정확도-관계를 재분석했습니다. (2008)은 보정 곡선을 구성하여 시청 거리가 기억에 큰 영향을 미치더라도(식별 가능성의 척도인 d 프라임으로 표시됨) 신뢰도-정확도 관계 자체는 거의 그대로 유지된다는 사실을 발견했습니다(이는 비식별화가 지연된 경우에만 사실임에 유의하세요). 비식별화가 즉시 이루어졌을 때도 마찬가지였습니다.) 그들은 단순히 주어진 추정변수가 기억에 영향을 미친다고 해서 해당 변수가 신뢰도 판단에 영향을 미칠 필요가 있다는 의미는 아니며 매우 자신감 있는 증인이 수행한 식별이 여전히 정확할 가능성이 높다는 주장을 제기했습니다.
글로벌 메모리 및 메타메모리 손상 프레임워크에서 메모리를 전반적으로 손상시키는 모든 변수는 목격자가 높은 신뢰도의 판단을 내릴 수 있는 임계값도 감소시킵니다. 예를 들어, 시청 환경이 좋지 않은 늦은 밤에 도둑을 목격했다면 나중에 도둑을 정확하게 식별할 가능성은 매우 낮을 것으로 예상할 수 있습니다. 글로벌 프레임워크는 평균적으로 보정도 손상될 것이며 이 시나리오의 목격자는(이상적인 시청 조건에서 목격한 사람과 비교하여) 더 높은 신뢰도 판단을 오인에 잘못 할당하여 신뢰 판단이 성능을 과대평가하게 만들 가능성이 더 높다고 예측합니다.
Semmler et al. (2018)과 우리(Davis et al., 2019)는 전반적인 기억 성능에 영향을 미치는 요인이 반드시 메타 기억 판단을 손상시키지는 않는다는 것을 제안했습니다(예: Co et al., 1997; Leippe, 1980; Penrod & Cutler, 1995). 본질적으로, 아이디어는 목격자가 자신의 기억 성능이 좋지 않다는 것을 암묵적으로 또는 명시적으로 알고 식별할 때 신뢰 등급을 낮추는 것입니다. 이는 신뢰도-정확도 관계를 거의 그대로 유지합니다. 즉, 사실 검증자는 여전히 높은 신뢰도의 목격자 판단에 믿음을 둘 수 있습니다. 식별을 둘러싼 상황이 최적이 아닌 경우에도 마찬가지입니다.
대조되지 않음, Man et al. (2019)은 과학 센터에서 생체 내 테스트 절차를 사용하여 연구에서 정확도 관계를 분석했으며 신뢰도에 대한 정확도 관계가 더 짧은 거리에서는 유지되지만 더 먼 거리에서는 유지되지 않는 것으로 나타났습니다.Lockamyier et al. (202는 신뢰도-정확도 특성 곡선에서 유사한 패턴을 확인했으며 단거리(3m)에서는 좋은 보정이 관찰되었지만 장거리(10m 및 20m)에서는 관찰되지 않았으며 거리가 증가하면 신뢰도-정확도 관계의 손상과 연관될 수 있음을 다시 보여줍니다. 결과는 시청 거리 이외의 추정 변수에 대해서도 입증되었습니다(예: 크로이펙스 효과, Dodson & Dobolyi, 2016).
Nyman et al.(2019)의 임계값 모델에 따르면, 식별 가능성이 특히 낮은 조건에 있는 참가자는 작업이 얼마나 어려운지 깨닫지 못할 수 있으며 그 성공은 불가능합니다. 이로 인해 그들은 적당히 어려운 작업에만 접근하는 방식으로 메타인지적 판단을 내리게 되며, 이는 판단의 대부분이 실제 성과를 과대평가한다는 것을 의미합니다. 교육 문헌의 메타인지에 관한 연구는 이러한 생각을 뒷받침합니다. 학습자는 난이도가 높아져도 자신의 수행 수준이 동일하게 유지될 것이라고 잘못 가정하는 경향이 있기 때문에 어려운 자료에 비해 어려운 자료에 대해 더 자신감을 갖는 경향이 있습니다(예: Kelemen et al., 2000; Maki tal., 2005;Schraw & Roedel , 1994).
그러나 Nyman et al. (2019) 및 Lockamyier et al.(2020)은 매우 먼 거리에서 양성 식별이 상대적으로 적다는 점을 인정하여 이 최고 수준의 신뢰도에서 적절한 추론 통계를 계산하기 어렵고 관찰된 임계값 효과가 단순히 높은 신뢰도로 인한 것인지 의심스럽습니다. 장거리에서 신뢰도가 높은 판단의 가변성은 이렇습니다.이 방법론적 문제는 적용된 값이 높지만 필요에 따라 조건별로 단일 데이터 포인트만 생성하여 변동성을 더욱 증가시키는 라인업 절차로 인해 더욱 악화됩니다. 현재 연구에서 우리는 얼굴 인식 패러다임을 사용하여 시야 거리 신뢰도가 정확도-정확도 관계에 미치는 영향을 조사했습니다. 이는 조건별로 수십 개의 관찰을 생성하여 결과적으로 각 신뢰 수준에서 정확도에 대한 보다 신뢰할 수 있는 추정치를 산출합니다. 단일 얼굴선 식별과 이전에 제시된 대규모 얼굴 세트에 대한 이전/새 결정은 표면적으로 완전히 동일한 작업인 반면, 둘 다 유사한 인지 아키텍처 공식 처리(Morgan et al., 2007)에 의존하며 얼굴 인식은 종종 기본 연구 도구로 유용합니다. 이론적 위치를 테스트합니다.
얼굴 인식과 라인업 패러다임 사이에는 차이가 있지만(패러다임 간의 유사성에 대한 논의는 Weber & Brewer, 2006 참조) 추정치의 증가된 힘과 안정성이 감소된 생태학적 타당성이라는 단점보다 더 크다고 믿습니다.
얼굴인식 패러다임을 활용하여 통계적 검정력을 극대화하는 것 외에도 점 추정의 신뢰성을 극대화하기 위해 보다 강력한 개체 내 설계로 현재 연구를 수행했습니다.
반면 man et al. (2019)는 참가자들에게 가능한 표적에 대해 4가지 식별을 요구했으며, 이는 표적 존재 및 표적 부재 라인업으로 세분화되었으며 각 작업은 순차적으로 완료되었습니다(예: 참가자는 한 번에 단일 피로 얼굴을 연구하고 테스트했습니다). 참가자들은 작업마다 자신의 판단을 선택하고 신뢰하기 위한 전체적인 기준을 조정할 수 있습니다. 우리는 Nyman et al.이 제공한 데이터를 주장합니다. 임계값 계정에 유리한 몇 가지 증거를 제공하려면 신뢰도-정확도 관계의 상황을 감지하기 위해 생성된 샘플 및 설계를 사용하여 보다 엄격한 실험실 테스트를 수행해야 합니다.
또한 Amazon의 MechanicalTurk(MTurk)에서 대학생과 근로자를 대상으로 연구를 수행했습니다. 미국의 목격자는 확률적으로 해당 국가에 존재하는 여러 인구통계학적 프로필 중 하나일 수 있으므로 참가자 표본은 이러한 다양성 수준과 일치해야 합니다. 따라서 MTurk 표본을 사용하면 관심 인구를 일반화하기 위해 단순히 고등 교육을 받고 동질적인 대학생 표본에 의존하기보다는 미국 인구의 능력에 대한 보다 일반적인 추정이 가능합니다. 마지막으로, 현장에서 쉽게 구현할 수 있는 정책 변경으로 추정 변수의 부정적인 영향을 수정할 수 있는지 여부를 결정하는 것이 중요하기 때문에 실험 3에서 신뢰도의 과대평가를 수정하기 위한 간단한 절차적 전술(예: 교육적 경고)을 구현했습니다.
For more information:1950477648nn@gmail.com
