MétaCan
Menu
Retour à la cohorte
Enregistrement W2964533734 · doi:10.1093/bjc/azz053

Prevention of Criminal Offending: The Intervening and Protective Effects of Education for Aggressive Youth

2019· article· en· W2964533734 sur OpenAlexafffund
Kathleen Kennedy-Turner, Lisa A. Serbin, Dale M. Stack, Daniel J. Dickson, Jane E. Ledingham, Alex E. Schwartzman

Notice bibliographique

RevueThe British Journal of Criminology · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCrime Patterns and Interventions
Établissements canadiensUniversity of OttawaConcordia University
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésModerationPsychologyAggressionOddsDisadvantageNeighbourhood (mathematics)Developmental psychologyInjury preventionParental supervisionPoison controlMedicineSocial psychologyLogistic regressionMedical emergencyPolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract Children from poor neighbourhoods showing early aggressive behaviour are at risk for criminal offending. The role of education as a mediator, neighbourhood disadvantage and aggression as moderators for criminal offending were examined in a lower-income, community sample (n = 3,521; 48% males), across a 40-year period from childhood to mid-adulthood. Educational attainment accounted for 15–59% of the effect from childhood risk factors. Aggression was found to be a moderator such that aggressive children with low education had the highest odds of criminal offending. A protective effect was found where aggressive children who managed to obtain more education had reduced odds of offending. Research conceptualizing education as a ‘control’ variable does not address its role in the processes leading to criminal offending.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,851
Score d'incertitude au seuil0,222

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,365
Écart entre enseignants0,294 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe British Journal of CriminologyMême sujetCrime Patterns and InterventionsTravaux en français237 207