Forensic and Nonforensic Clients in Assertive Community Treatment: A Longitudinal Study
Notice bibliographique
Résumé
OBJECTIVE This study compared rates of arrest and incarceration, psychiatric hospitalization, homelessness, and discharge from assertive community treatment (ACT) programs for forensic and nonforensic clients in New York State and explored associated risk factors. METHODS Data were extracted from the New York State Office of Mental Health's Web-based outcome reporting system. ACT clients admitted between July 1, 2003, and June 30, 2007 (N=4,756), were divided into three groups by their forensic status at enrollment: recent (involvement in the past six months), remote (forensic involvement was more than six months prior), and no history. Client characteristics as of ACT enrollment and outcomes at one, two, and three years were compared over time. RESULTS Clients with forensic histories had a significantly higher ongoing risk of arrest or incarceration, and those with recent criminal justice involvement had a higher risk of homelessness and early discharge from ACT. Psychiatric hospitalization rates did not differ significantly across groups. Rates of all adverse outcomes were highest in the first year for all ACT clients, especially for those with a recent forensic history, and rates of psychiatric hospitalization, homelessness, and discharge declined over time for all clients. For all ACT clients, homelessness and problematic substance abuse at enrollment were significant risk factors for arrest or incarceration and for homelessness on three-year follow-up. CONCLUSIONS Clients with recent forensic histories were vulnerable to an array of adverse outcomes, particularly during their first year of ACT. This finding highlights the need for additional strategies to improve forensic and other outcomes for this high-risk population.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».