اصلاحیه دی‌بلو بر راه حل اسمیت برای پارادوکس‌های اثبات

نوع مقاله : پژوهشی اصیل

نویسندگان
سید محمدمهدی اعتمادالاسلامی بختیاری 1
محمدرضا هزاره 2
1 گروه مطالعات علم و فناوری، دانشکده مدیریت، علم و فناوری، دانشگاه صنعتی امیرکبیر، تهران، ایران
2 گروه مطالعات علم و فناوری، دانشکده مدیریت، علم و فناوری، دانشگاه صنعتی امیرکبیر تهران، ایران
10.58209/jpt.5.1.81
چکیده
پارادوکس‌های اثبات وضعیت‌هایی هستند که شواهد آماری به سود محکومیت خوانده یا متهم‌اند، اما محکومیت او صرفاً براساس این شواهد، خلاف شهود به نظر می‌رسد. رویکرد غالب در مواجهه با پارادوکس‌های اثبات، تلاش برای بازشناسایی شواهد آماری صرف از سایر ادله اثبات محکومیت است. اسمیت حمایت عرفی را به عنوان ملاکی برای تمایز یادشده معرفی می‌کند. در سوی دیگر، دی‌بلو پس از اصلاح این ملاک، استدلال می‌کند عدم دسترسی به فاسخ‌های جرح‌کننده در شواهد آماری صرف، وجه تمایز میان آنها و سایر ادله اثباتی است. در این پژوهش با بهره‌گیری از آموزه‌های پولاک استدلال می‌کنیم در شواهد آماری صرف همچنان می‌توان به فاسخ‌های جرح‌کننده دسترسی داشت. همچنین، با تمرکز بر یکی از نمونه‌های پارادوکس‌های اثبات و بر پایه استدلال‌های پولاک که در بازشناسایی مغالطه نرخ پایه نمود کمی می‌یابند، نشان می‌دهیم فاسخ جرح‌کننده چگونه می‌تواند اثرگذار باشد. بدین ترتیب به نظر می‌رسد استدلال دی‌بلو محل تردید باشد.

کلیدواژه‌ها

  1.  Bar-hillel, Maya. (1980). “The Base-Rate Fallacy in Probability Judgments”. Acta
    Psychologica, 44(3), 211-233.
     Di Bello, M. (2019). “Trial by statistics: Is a high probability of guilt enough to convict?”.
    Mind, 128(512), 1045-1084.‌
     Di Bello, M. (2020). “Proof paradoxes and normic support: Socializing or relativizing?”.
    Mind, 129(516), 1269-1285.‌
    Duff, R. A., Lindsay Farmer, Sandra Marshall and Victor Tadros. (2007). The Trial on Trial (vol 3): Towards a Normative Theory of the Criminal Trial. Oxford: Hart Publishing
    Gardiner, G. (2018). Legal burdens of proof and statistical evidence, in D. Coady and J. Chase (eds), Routledge Handbook of Applied Epistemology, Routledge.
     Hamer, David. (2004). “Probabilistic standards of proof, their complements and the errors
    that are expected to flow from them”. University of New England Law Journal, 1(1): 71-
    107.
    Moss, Sarah. (2018). Probabilistic Knowledge. Oxford: Oxford University Press.
     Nesson, Charles R. (1979). “Reasonable Doubt and Permissive Inferences: The Value of
    Complexity”. Harvard Law Review, 92(6), 187-1225.
     Pollock, John L. (2001). “Defeasible reasoning with variable degrees of justification”.
    Artificial Intelligence, 133(1-2), 233–282.
     Redmayne, M. (2008). “Exploring the Proof Paradoxes”. Legal Theory, 14(4), 281-309.
     Roth, Andrea. (2010). “Safety in Numbers? Deciding When DNA Alone is Enough to
    Convict”. New York University Law Review, 85(4), 1130–85.
     Schoeman, Ferdinand. (1987). “Statistical vs”. Direct Evidence. Nouˆs, 21(2), 179–98.
     Smith, M. (2018). “When does evidence suffice for conviction?”. Mind, 127(508), 1193-
    1218.
    Thomson, Judith Jarvis. (1986). “Liability and Individualized Evidence”. Law and Contemporary Problems, 49(3), pp. 199–219.
    Wells, Gary L. (1992). “Naked Statistical Evidence of Liability: Is Subjective Probability Enough? ” Journal of Personality and Social Psychology, 62(5), pp. 793–52.
    Williams, Glanville 1979: ‘The Mathematics of Proof ’, parts I and II. Criminal Law Review, pp. 297–312, 340–54.
     Zabell, S. L. (2005). “Fingerprint evidence”. Journal of Law and Policy, 13(1), 143-179.
  2. Bar-Hillel M (1980). The base-rate fallacy in probability judgments. Acta Psychologica. 44(3):211-233. [Link] [DOI:10.1016/0001-6918(80)90046-3]
  3. Di Bello M (2019). Trial by statistics: Is a high probability of guilt enough to convict?. Mind. 128(512):1045-1084. [Link] [DOI:10.1093/mind/fzy026]
  4. Di Bello M (2020). Proof paradoxes and normic support: Socializing or relativizing?. Mind. 129(516):1269-1285. [Link] [DOI:10.1093/mind/fzz021]
  5. Duff RA, Farmer L, Marshall S, Tadros V (2007). The trial on trial (Volume 3): Towards a normative theory of the criminal trial. Oxford: Hart Publishing. [Link]
  6. Gardiner G (2018). Legal burdens of proof and statistical evidence. In: Coady D, Chase J, editors. Routledge handbook of applied epistemology. New York: Routledge. [Link] [DOI:10.4324/9781315679099-14]
  7. Hamer D (2004). Probabilistic standards of proof, their complements and the errors that are expected to flow from them. University of New England Law Journal. 1(1):71-107. [Link]
  8. Moss S (2016). Probabilistic knowledge. Oxford: Oxford University Press. [Link]
  9. Nesson CR (1979). Reasonable doubt and permissive inferences: The value of complexity. Harvard Law Review. 92(6):1187-1225. [Link] [DOI:10.2307/1340444]
  10. Pollock JL (2001). Defeasible reasoning with variable degrees of justification. Artificial Intelligence. 133(1-2):233-282. [Link] [DOI:10.1016/S0004-3702(01)00145-X]
  11. Redmayne M (2008). Exploring the proof paradoxes. Legal Theory. 14(4):281-309. [Link] [DOI:10.1017/S1352325208080117]
  12. Roth AL (2010). Safety in numbers? Deciding when DNA alone is enough to convict. New York University Law Review. 85(4). [Link]
  13. Schoeman F (1987). Statistical vs. direct evidence. Noûs. 21(2):179-198. [Link] [DOI:10.2307/2214913]
  14. Smith M (2018). When does evidence suffice for conviction?. Mind. 127(508):1193-1218. [Link] [DOI:10.1093/mind/fzx026]
  15. Thomson JJ (1986). Liability and individualized evidence. Law and Contemporary Problems. 49(3):199-219. [Link] [DOI:10.2307/1191633]
  16. Wells GL (1992). Naked statistical evidence of liability: Is subjective probability enough?. Journal of Personality and Social Psychology. 62(5): 739-752. [Link] [DOI:10.1037//0022-3514.62.5.739]
  17. Williams G (1979a). The mathematics of proof-1. Criminal Law Review. p. 297-308. [Link]
  18. Williams G (1979b). The mathematics of proof-2. Criminal Law Review. p. 340-354. [Link]
  19. Zabell SL (2005). Fingerprint evidence. Journal of Law and Policy. 13(1):143-179. [Link]