Do risk assessment tools help manage and reduce risk of violence and reoffending? A systematic review.
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
Although it is widely believed that risk assessment tools can help manage risk of violence and offending, it is unclear what evidence exists to support this view. As such, we conducted a systematic review and narrative synthesis. To identify studies, we searched 13 databases, reviewed reference lists, and contacted experts. Through this review, we identified 73 published and unpublished studies (N = 31,551 psychiatric patients and offenders, N = 10,002 professionals) that examined either professionals' risk management efforts following the use of a tool, or rates of violence or offending following the implementation of a tool. These studies included a variety of populations (e.g., adults, adolescents), tools, and study designs. The primary findings were as follows: (a) despite some promising findings, professionals do not consistently adhere to tools or apply them to guide their risk management efforts; (b) following the use of a tool, match to the risk principle is moderate and match to the needs principle is limited, as many needs remained unaddressed; (c) there is insufficient evidence to conclude that tools directly reduce violence or reoffending, as findings are mixed; and (d) tools appear to have a more beneficial impact on risk management when agencies use careful implementation procedures and provide staff with training and guidelines related to risk management. In sum, although risk assessment tools may be an important starting point, they do not guarantee effective treatment or risk management. However, certain strategies may bolster their utility. (PsycINFO Database Record
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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