Notice bibliographique
Résumé
Introduction Determine the prevalence of sexual assault in an inpatient forensic population. Objectives Find individual-biological-social factors that may be associated with sex offending. Method A cross-sectional study of patients admitted to a Canadian forensic unit. Results Sample of 23 patients (95.7% male), of whom 13% had committed a sex offense. All men, 17% had attempted a murder, 17% had committed a murder, 48% had commited an assault and 5% had commited a different type of crime. 61% of the sample were in the low socioeconomic class and 39% to the medium one. 35% were diagnosed with developmental delay and 30% with personality disorders. A person that had committed a sexual offense crime was much older, compared to the rest of the forensic population (43.33 ± 17.67 vs. 30.80 ± 11.93 years). Moreover the average stay in the hospital was almost the double for the sexual offenders compared with rest of the sample (199.67 months vs. 89.35 months). Among the sexual offenders the prevalences of the diagnoses of AXIS I were, 67% psychoses, 33% mood disorders and 67% substance abuse. However all the sexual offenders were diagnosed with a comorbidity different than those compared with those that were not sexual offenders (100% vs 20%, p=0.003) Conclusions Older population who commits a sexual offense have a longer average stay at forensic unit. Increased presence of comorbidities, associated at main diagnosis in axis I and organic comorbidities, as well as different treatments used.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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 ».