The Incidence and Prediction of Self-Injury among Sentenced Prisoners
Notice bibliographique
Résumé
OBJECTIVE: Prevention of self-injurious behaviour is an important priority in correctional settings given higher rates among inmates. Our study estimated the reported incidence of self-injury during the first 180 days in prison and tested potential risk and protective factors using official prison records. METHODS: We conducted a retrospective cohort study using secondary data for 5154 admissions to the Correctional Service of Canada during 2011. Relative risks were estimated with Poisson regression. Recursive partitioning was used to create a parsimonious model of characteristics of offenders who engage in self-injury. RESULTS: Thirty-six of 5154 (0.7%) offenders engaged in 1 or more incidents of self-injury during their first 180 days of incarceration. Educational and occupational achievement, family history, demographic factors, mental health service use, and results of mental health screening at intake were predictive of self-injury. Recursive partitioning models identified about 23% of inmates who presented with multiple risk factors, and had increased incidence of self-injury. A comparison of a model using information at intake to a model also incorporating events in prison suggested that events in prison added little to the detection of self-injury. CONCLUSIONS: Given high rates of most risk factors, screening for self-injury during early incarceration will be overinclusive. However, it may identify a group of inmates with complex needs for whom interdisciplinary responses are needed to address wide-ranging social, family, behavioural, and mental health deficits.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».