Actuarial Assessment of Risk among Sex Offenders
Notice bibliographique
Résumé
The appraisal of risk among sex offenders has seen recent advances through the advent of actuarial assessments. Statistics derived from Relative Operating Characteristics (ROCs) permit the comparison of predictive accuracies achieved by different instruments even among samples that exhibit different base rates of recidivism. Such statistics cannot, however, solve problems introduced when items from actuarial tools are omitted, when reliability is low, or when there is high between-subject variability in the duration of the follow-up. We present empirical evidence suggesting that when comprehensive actuarial tools (VRAG and SORAG) are scored with high reliability, without missing items, and when samples of offenders have fixed and equal opportunity for recidivism, predictive accuracies are maximized near ROC areas of 0.90. Although the term "dynamic" has not been consistently defined, such accuracies leave little room for further improvement in long-term prediction by dynamic risk factors. We address the mistaken idea that long-term, static risk levels have little relevance for clinical intervention with sex offenders. We conclude that highly accurate prediction of violent criminal recidivism can be achieved by means of highly reliable and thorough scoring of comprehensive multi-item actuarial tools using historical items (at least until potent therapies are identified). The role of current moods, attitudes, insights, and physiological states in causing contemporaneous behavior notwithstanding, accurate prediction about which sex offenders will commit at least one subsequent violent offense can be accomplished using complete information about past conduct.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».