Assessing illness- and non–illness-based motivations for violence in persons with major mental illness.
Notice bibliographique
Résumé
Research on violence perpetrated by individuals with major mental illness (MMI) typically focuses on the presence of specific psychotic symptoms near the time of the violent act. This approach does not distinguish whether symptoms actually motivate the violence or were merely present at the material time. It also does not consider the possibility that non-illness-related factors (e.g., anger, substance use), or multiple motivations, may have been operative in driving violence. The failure to make these distinctions clouds our ability to understand the origins of violence in people with MMI, to accurately assess risk and criminal responsibility, and to appropriately target interventions to reduce and manage risk. This study describes the development of a new coding instrument designed to assess motivations for violence and offending among individuals with MMI, and reports on the scheme's interrater reliability. Using 72 psychiatric reports which had been submitted to the court to assist in determining criminal responsibility, we found that independent raters were able to assess different motivational influences for violence with a satisfactory degree of consistency. More than three-quarters (79.2%) of the sample were judged to have committed an act of violence as a primary result of illness, whereas 20.8% were deemed to have offended as a result of illness in conjunction with other non-illness-based motivating influences. Current findings have relevance for clarifying the rate of illness-driven violence among psychiatric patients, as well as legal and clinical issues related to violence risk and criminal responsibility more broadly.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».