Psychopathy, self-identified race/ethnicity, and nonviolent recidivism: A longitudinal study.
Notice bibliographique
Résumé
Psychopathy has long been noted to play an important role in the prediction of criminal behavior and offending. Although many studies have demonstrated that psychopathic traits are predictive of violent recidivism among offenders, relatively few studies have examined the predictive validity of psychopathic traits for nonviolent recidivism and very few have examined this issue in a sample of offenders in the United States. To address this issue, we examined the predictive validity of psychopathy for both nonviolent and general recidivism using the Psychopathy Checklist-Revised (PCL-R) in a sample of 422 county jail inmates. We also examined whether ratings on Factors 1 and 2 differentially predicted nonviolent and general recidivism and whether predictive validity varied among European American, African American, and Latino American male offenders. Psychopathic traits were modestly predictive of nonviolent and general (total) recidivism. Factor 2 ratings were not more predictive of nonviolent recidivism than Factor 1 ratings in this sample, but the two factor scores also predicted nonviolent recidivism interactively. Psychopathic traits were also predictive of both outcomes in subsamples of European American and African American offenders, but not among Latino American offenders. Findings are consistent in magnitude and pattern with prior studies addressing the prediction of violence, and they show that the relationship between psychopathy and criminal conduct generalizes to the prediction of nonviolent crime in a United States offender sample. Results suggest potential differences between the predictive validity of psychopathy among Latino American offenders and other racial/ethnic groups, which suggest the need for additional research. (PsycINFO Database Record (c) 2018 APA, all rights reserved).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».