MétaCan
Menu
Retour à la cohorte
Enregistrement W2972248258 · doi:10.1177/1079063219871573

Estimating Lifetime and Residual Risk for Individuals Who Remain Sexual Offense Free in the Community: Practical Applications

2019· article· en· W2972248258 sur OpenAlexaff
David Thornton, R. Karl Hanson, Sharon M. Kelley, James C. Mundt

Notice bibliographique

RevueSexual Abuse · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCriminal Justice and Corrections Analysis
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésRecidivismPsychologySex offenseRisk assessmentDemographyCriminologySocial psychologyActuarial scienceHuman factors and ergonomicsPoison controlSexual abuseEnvironmental healthComputer securityMedicineEconomicsSociologyComputer science

Résumé

récupéré en direct d'OpenAlex

Although individuals with a history of sexual crime are often viewed as a lifelong risk, recent research has drawn attention to consistent declines in recidivism risk for those who remain offense free in the community. Because these declines are predictable, this article demonstrates how evaluators can use the amount of time individuals have remained offense free to (a) extrapolate to lifetime recidivism rates from rates observed for shorter time periods, (b) estimate the risk of sexual recidivism for individuals whose current offense is nonsexual but who have a history of sexual offending, and (c) calculate yearly reductions in risk for individuals who remain offense free in the community. In addition to their practical utility for case-specific decision making, these estimates also provide researchers an objective, empirical method of quantifying the extent to which individuals have desisted from sexual crime.

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)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,160
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
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 Opus0,039
Tête enseignante GPT0,354
Écart entre enseignants0,315 · 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'étudeQualitatif
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

Citations28
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSexual AbuseMême sujetCriminal Justice and Corrections AnalysisTravaux en français237 207