A comparison of scoring models for computerised mental health screening for federal prison inmates
Notice bibliographique
Résumé
BACKGROUND: There are high rates of mental disorder in correctional environments, so effective mental health screening is needed. Implementation of the computerised mental health screen of the Correctional Service of Canada has led to improved identification of offenders with mental health needs but with high rates of false positives. AIMS: The goal of this study is to evaluate the use of an iterative classification tree (ICT) approach to mental health screening compared with a simple binary approach using cut-off scores on screening tools. METHODS: A total of 504 consecutive admissions to federal prison completed the screen and were also interviewed by a mental health professional. Relationships between screening results and more extended assessment and clinical team discussion were tested. RESULTS: The ICT was more parsimonious in identifying probable 'cases' than standard binary screening. ICT was also highly accurate at detecting mental health needs (AUC=0.87, 95% CI 0.84-0.90). The model identified 118 (23.4%) offenders as likely to need further assessment or treatment, 87% of whom were confirmed cases at clinical interview. Of the 244 (48.4%) offenders who were screened out, only 9% were clinically assessed as requiring further assessment or treatment. Standard binary screening was characterised by more false positives and a comparable false negative rate. CONCLUSIONS: The use of ICTs to interpret screening data on the mental health of prisoners needs further evaluation in independent samples in Canada and elsewhere. This first evaluation of the application of such an approach offers the prospect of more effective and efficient use of the scarce resource of mental health services in prisons. Although not required, the use of computers can increase the ease of implementing an ICT model.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,082 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».