利用信心、决策时间和信心熵预测线上与真实目击者识别准确性的研究

本研究针对目击者识别准确性评估难题，创新性地整合信心(confidence)、决策时间(decision time)和信心熵(confidence entropy)三类反射变量(reflector variables)，通过在线实验(N=1,072)和真实案件数据(N=75)的双重验证，发现数字信心评分是最强预测指标，多变量联合模型可提升预测效能。该研究为司法实践中目击证据可靠性评估提供了可操作的技术路径，支持间接认知理论模型，成果发表于《Scientific Reports》。

　　

在刑事司法系统中，目击者指认常常成为定罪的关键证据，但错误指认导致的冤案占比高达70%。传统上，警方依赖目击者的信心水平(confidence)判断指认可靠性，然而单一指标存在局限性。随着认知科学的发展，研究者发现决策时间(decision time)和新兴指标信心熵(confidence entropy)——反映信心陈述模糊度的自然语言处理指标，可能提供更全面的准确性预测。Adele Quigley-McBride和Rachel Leigh Greenspan团队在《Scientific Reports》发表的这项研究，首次系统比较了不同信心测量方式与多变量模型的预测效能，为司法实践提供了科学依据。

研究采用双重数据验证策略：在线实验通过亚马逊土耳其机器人(Amazon Mechanical Turk)招募参与者完成标准化指认任务，记录精确的决策时间和三种信心表达方式；真实案件数据来自四个司法辖区的75起刑事案件，采用计算机化列队指认程序并录音采集信心陈述。关键技术包括：(1)人工与AI模型对言语信心(verbal confidence)的三分类(低/中/高)；(2)标准化决策时间测量；(3)基于自然语言处理的信心熵计算；(4)逻辑回归与Vuong非嵌套模型比较分析。

不同信心指标的预测效能比较

研究发现数字信心评分在在线数据中预测准确率最高（高信心组84%正确率 vs 低信心组21%），AI模型分类与人工编码的言语信心表现相当。真实案件中，人类编码的高信心指认正确率达75%，显著优于AI分类（69%）。

多变量模型的增量价值

引入信心熵后模型预测力显著提升，该指标在真实案件中解释7%的变异（β=-1.25, p=.014），在线数据达11%（β=-1.59, p<.001）。三变量联合模型在真实案件中解释13%的变异，较单变量提升6%。

理论启示与实践意义

研究验证了回溯性信心的间接访问模型(inferential access model)，即反射变量通过元认知(metacognition)和记忆匹配度双重路径预测准确性。作者提出图4的理论框架：

该研究为司法系统提供了可操作的改进方案：建议警方标准化记录目击者原始信心陈述，优先采用数字评分，并开发整合多变量的决策辅助工具。研究同时证实实验室发现可推广至真实案件，但需注意真实案件中低信心样本不足的局限性。这些发现对减少冤假错案、提升司法决策科学性具有重要价值。