Evidence for Risk Estimate Precision: Implications for Individual Risk Communication
Notice bibliographique
Résumé
Actuarial risk assessment instruments using well-established predictor variables measured at the individual level (e.g., age, criminal history, psychopathy) discriminate well between recidivists and non-recidivists across diverse samples. Data indicating the relative risk of recidivism can inform policy decisions about allocating resources according to risk within a correctional system, consistent with the first of the risk-need-responsivity (RNR) principles. Evidence for the precision of absolute risk as applied to an individual based on scores from many samples, however, has proven challenging. In this paper, we present a study examining the association of actuarial risk estimate precision with sample size using the Post Conviction Risk Assessment (PCRA; Lowenkamp et al., 2013), in samples of up to 26,642 offenders. Results indicate that the precision of individual estimates can be demonstrated with sufficient sample size. We believe that the implications of absolute risk for the communication of an individual offender's risks have been poorly understood. We argue that the purpose of individual-level risk communication is to ensure the effective application of policy, which requires matching a new case to aggregate data. We illustrate how an offender's risk might thus be communicated, and conclude that this function is distinct from management of an individual's criminogenic needs and identification of effective and suitable treatments.
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 | 0,323 | 0,788 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,018 |
| Communication savante | 0,008 | 0,015 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».