Testing the predictive utility of the STATIC‐99: A Bayes analysis
Notice bibliographique
Résumé
Purpose. This study applies a Bayes analysis to the probability of a particular STATIC‐99 score and its associated re‐offence probability with recidivating for a sexual offence. We examine this probability over three time frames: within 5 years; within 10 years; and within 15 years. Methods. This study was conducted using the same data from . This dataset is constituted from four different samples: Institut Philippe Pinel (Canada) sample; Millbrook Recidivism Study (Canada) sample; Oak Ridge Division of the Penetanguishene Mental Health Center (Canada) sample; and Her Majesty's Prison Service (UK) sample. The final sample for which sufficient information was available to score the STATIC‐99 includes 1,086 sexual offenders. Bayes statistic has been used to analyse the data. Results. Results are consistent with the STATIC‐99 as a useful assessment tool. The Bayes‐generated probabilities as well as odds ratios show a consistent increase in increased likelihood of re‐offence as the score value increases. Conclusions. The Bayesian analysis of the STATIC‐99 shows that this method is very interesting in the context of risk assessment tools. This approach to risk assessment instruments may be more appropriate in the communication of analytic results as it can offer clinicians a combination of probabilities and likelihood ratios resulting a readily accessible profile of risk.
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) | 0,001 | 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 | 0,001 |
| 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 ».