The impact of nonprogrammatic factors on criminal‐justice interventions
Notice bibliographique
Résumé
Purpose. drew attention to a distinction between ‘programmatic’ and ‘non‐programmatic’ aspects of criminal justice interventions. While a considerable amount of research has accumulated on the former, the latter by comparison remains under‐researched. Nevertheless some advances have been made and the present article identifies the key components of this. Methods. Following analysis of the concepts forwarded by Palmer, a methodical comparison is made between his findings on programmatic elements and those of two other major groups of meta‐analytic findings from this area. This provides further opportunity for testing of the Risk‐Needs‐Responsivity (RNR) model and an evaluation is offered of its current status in synthesizing relevant knowledge. A parallel set of comparisons is then drawn with respect to non‐programmatic factors and the paper considers the level of agreement between separate reviews of that knowledge base. This directs attention to a number of instances of intervention ‘failure’ which can be explained by insufficient attention to non‐programmatic issues. Results. There is a generally high level of agreement between the three sets of data surveyed. There is not a complete consensus however, caused not by disagreement between data sets but by gaps in the types and range of evidence assembled. There are larger gaps remaining on non‐programmatic factors and the nature and extent of those is described. There is also discussion of some objections and proposed alternatives to RNR, and to some conceptual confusions arising from them. Conclusions. The present state of knowledge on criminal justice interventions is a ‘work in progress’ but nevertheless can provide firm guidance on the design of such interventions, highlighting areas in which much further work is needed.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».