Risk Assessment: Patient and Detainee
Notice bibliographique
Résumé
Abstract Risk assessment is required in a variety of legal and clinical settings. Nevertheless, there is still substantial disagreement about its scientific validity and how best to implement it into practice, which has led to extensive empirical research into its tenability. Violence risk factors can be grouped into four categories: (i) dispositional, reflecting personal traits and tendencies to act in a particular way; (ii) historical, indexing events in the past that may predispose a person to become violent; (iii) contextual, referring to elements in the current environment that are conducive to violence; and (iv) clinical, including features of mental illness, level of functioning, and substance abuse. Over the years the primary goal of risk assessment has shifted from simple determination of who would become violent in the future, to risk management, which allows for reduction of violence. There are two primary approaches to risk assessment: unstructured, based solely on clinical experience and professional opinion, and structured, which requires professionals to follow specific rules of identification and definition of risk factors. Structured risk assessment in turn includes two approaches: (i) actuarial, which relies on an algorithm to combine risk factors, which enter the final decision regarding future violence; and (ii) structured professional judgments (SPJs), which allow the decision maker to consider how nomothetically supported risk factors are relevant to a given individual, and what management strategies would mitigate risk. Commentary and research addressing the strengths and weaknesses of these approaches is provided.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».