Age and motivation can be specific responsivity features that moderate the relationship between risk and rehabilitation outcome.
Notice bibliographique
Résumé
OBJECTIVE: Specific responsivity features are not directly targeted in offender rehabilitation programs but may impact a client's receptivity. We investigated if two features may explain why high-quality correctional programs do not uniformly impact all high-risk, high-needs clients. HYPOTHESES: The current study was exploratory. We hypothesized a relationship between higher static risk and poorer program outcomes and then explored if this relationship was attenuated by age and motivation. METHOD: Program providers rated the performance of incarcerated males (n = 2,417, Mean age = 33.6, SD = 9.9, Range = 18-81) who attended one of six types of programs during incarceration (for general, violent, and sexual offenders). Using risk scores calculated at prison entry, we predicted performance and official record recidivism. Preprogram motivation and age were moderators. RESULTS: Five of 24 exploratory multilevel models revealed an attenuated relationship between risk and program outcome among older offenders (percent variance explained = 17.9% within violence groups; 11.5% within living skills groups; and a 9% difference in predicted recidivism rates among high-risk attendees of family violence groups) and offenders with higher preprogram motivation (percent variance explained = 43.6% within violence groups, and a 7% difference in predicted recidivism rates among high risk attendees in living skills groups). CONCLUSIONS: Age and motivation can be specific responsivity features that may deserve attention in rehabilitation practice. However, observed effects may have been weakened by underdeveloped, single-indicator measurement strategies. (PsycINFO Database Record (c) 2019 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 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 | 0,001 | 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 ».