The effect of discordance among violence and general recidivism risk estimates on predictive accuracy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Previous research has shown that the prediction of short-term inpatient violence is negatively affected when clinicians' inter-rater agreement is low and when confidence in the estimate of risk is low. This study examined the effect of discordance between risk assessment instruments used to predict long-term general and violence risk in offenders. METHODS: The Psychopathy Checklist - Revised (PCL-R), Level of Service Inventory - Revised (LSI-R), Violence Risk Appraisal Guide (VRAG), and the General Statistical Information on Recidivism (GSIR) were the four risk-prediction instruments used to predict post-release general and violent recidivism within a sample of 209 offenders. RESULTS: The findings lend empirical support to the assumption that predictive accuracy is threatened where there is discordance between risk estimates. Discordance between instruments had the impact of reducing predictive accuracy for all instruments except the GSIR. Further, the influence of discordance was shown to be greater on certain instruments over others. Discordance had a moderating effect on both the PCL-R and LSI-R but not on the VRAG and GSIR. CONCLUSIONS: There is a distinct advantage when attempting to predict recidivism to employing measures such as the LSI-R, which includes dynamic variables and intervention-related criminogenic domains, over a measure purely of fixed characteristics, such as the GSIR; however, if there is discordance between the risk estimates, caution should be exercised and more reliance on the more static historically based instrument may be indicated.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 découle