Measurement Matters: Offense Types and Specialization
Notice bibliographique
Résumé
Offender specialization—the tendency to repeat specific offenses—is the basis of practical orientations toward managing offending by the criminal justice system. Alternatively, dominant criminological paradigms postulate that offending versatility is the norm. We consider this incongruity by, first, considering “practice” in action, through the examination of the designations used by the Canadian criminal justice system to categorize offenders based on the assumption of specialization, and whether these determinations accurately reflect the offending behavior of offenders who have committed violent interpersonal crimes. Second, we compare several other measures of specialization among our population to investigate whether different measures produce similar findings regarding the repeat of specific offense types. Official criminal record data, from first offense to the end of the study date (2014), for a population of offenders in a western Canadian city who were convicted of violent interpersonal sexual and nonsexual offenses ( N = 110), were used to examine the tendency toward specialization. We employ three measures of specialization: the specialization threshold, mean percent specialization, and the diversity index—across this group of career criminals. Results indicate that evidence of specialization depends on the way in which it is measured. Although there is some support for the treatment of individuals who sexually offend against children as a distinct group compared with those who are violent (sexually or nonsexually) toward adults, there is greater evidence of versatility among all offenders than there is of specialization. Our findings suggest that establishing the risk of future offending using models other than those geared toward offense specialization may be more effective for addressing offending patterns.
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 | 0,000 |
| 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 ».