Men in His Category Have a 50% Likelihood, But Which Half Is He In? Comments on Berlin, Galbreath, Geary, and McGlone
Notice bibliographique
Résumé
When scientific methods are applied to various questions, the body of knowl-edgegeneratedinevitablybecomesmoreelaborateandspecialized.Thisprocessofspecialization usually occurs hand in hand with rapid empirical progress. A goodexample is provided by the recent explosion in genetics. Not very long ago, myfreshman course in biology permitted me to follow the gist of the scientific work inmolecular genetics. Such is not the case now. Without very extensive preparation,I could not attempt to participate in this field, even as a commentator.Berlin, Galbreath, Geary, and McGlone (this issue) have provided what isessentially a layperson’s commentary on the recent research in the field of riskassessment. One assumes they did so because they believe most readers of SexualAbuse are nonspecialists (i.e., laypersons with respect to this field). Unfortunately,the commentary by Berlin et al. suffers from mistakes due to the authors’ unfa-miliarity with the specialized field that risk assessment research has become.While not so explosive as genetics, there have been recent advances in re-search on the assessment of risk among serious offenders and sexual aggressors.These recent advances were facilitated by statistical technologies that have pro-vided the means to characterize the accuracy of assessment, select and combinepredictor items, and deal with differential opportunity to reoffend. At the sametime, progress in research on risk assessment has been facilitated by statisticaltechniques to permit the combination of results from different studies to arrive atconclusive statements about the existence and size of hypothesized relationships.As well, research has attempted to ascertain the best way to measure outcomesfor sex offender recidivism. Among researchers, some consensus has emerged on
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».