Does specialized psychological treatment for offending reduce recidivism? A meta-analysis examining staff and program variables as predictors of treatment effectiveness
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
A meta-analysis was conducted to examine whether specialized psychological offense treatments were associated with reductions in offense specific and non-offense specific recidivism. Staff and treatment program moderators were also explored. The review examined 70 studies and 55,604 individuals who had offended. Three specialized treatments were examined: sexual offense, domestic violence, and general violence programs. Across all programs, offense specific recidivism was 13.4% for treated individuals and 19.4% for untreated comparisons over an average follow up of 66.1 months. Relative reductions in offense specific recidivism were 32.6% for sexual offense programs, 36.0% for domestic violence programs, and 24.3% for general violence programs. All programs were also associated with significant reductions in non-offense specific recidivism. Overall, treatment effectiveness appeared improved when programs received consistent hands-on input from a qualified registered psychologist and facilitating staff were provided with clinical supervision. Numerous program variables appeared important for optimizing the effectiveness of specialized psychological offense programs (e.g., arousal reconditioning for sexual offense programs, treatment approach for domestic violence programs). The findings show that such treatments are associated with robust reductions in offense specific and non-offense specific recidivism. We urge treatment providers to pay particular attention to staffing and program implementation variables for optimal recidivism reductions.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,026 | 0,012 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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