III. Revisiting Effective Classification Strategies for Women Offenders in Canada
Notice bibliographique
Résumé
Psychological researchers in the western world have now provided unequivocal evidence that many correctional interventions reduce re-offending behaviour (Andrews et al., 1999; Lipsey, 1995). Losel’s (1995) review and synthesis of meta-analyses on the efficacy of correctional treatment concluded that the mean treatment effect, over all available studies, is about a 10% reduction in recidivism. Moreover, a study by Andrews et al. (1990) concluded that interventions, which focused on particular variables (e.g. risk, need) showed on average an impressive 30 percent reduction in recidivism for treated groups over those interventions that had no such focus. The seminal work by Andrews and colleagues set the foundation for casebased classification as an essential component of effective correctional treatment in Canada. There is over a decade of empirical research originating in Canada substantiating the principles of risk and need (Andrews, 1989; Andrews et al., 1999; Gendreau, 1996), so that these principles have been accepted into routine practice in treatment planning and delivery within many correctional systems worldwide. However, this research is derived, almost without exception, from samples of male (white) offenders. As such, the question remains: How does appropriate classification for women differ from appropriate classification in general? This question guided the current discussion, with an explicit focus on the principles of risk and need.
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 | 0,019 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,012 | 0,004 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».