Identifying gender specific risk/need areas for male and female juvenile offenders: Factor analyses with the Structured Assessment of Violence Risk in Youth (SAVRY).
Notice bibliographique
Résumé
By constructing risk assessment tools in which the individual items are organized in the same way for male and female juvenile offenders it is assumed that these items and subscales have similar relevance across males and females. The identification of criminogenic needs that vary in relevance for 1 of the genders, could contribute to more meaningful risk assessments, especially for female juvenile offenders. In this study, exploratory factor analyses (EFA) on a construction sample of male (n = 3,130) and female (n = 466) juvenile offenders were used to aggregate the 30 items of the Structured Assessment of Violence Risk in Youth (SAVRY) into empirically based risk/need factors and explore differences between genders. The factor models were cross-validated through confirmatory factor analyses (CFA) on a validation sample of male (n = 2,076) and female (n = 357) juvenile offenders. In both the construction sample and the validation sample, 5 factors were identified: (a) Antisocial behavior; (b) Family functioning; (c) Personality traits; (d) Social support; and (e) Treatability. The male and female models were significantly different and the internal consistency of the factors was good, both in the construction sample and the validation sample. Clustering risk/need items for male and female juvenile offenders into meaningful factors may guide clinicians in the identification of gender-specific treatment interventions.
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 | 0,000 |
| 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 ».