Notice bibliographique
Résumé
This article discusses the implementation of the RNR principles in the Danish Prison and Probation Service. The Risk, Need, Responsibility principles were first introduced by James Bonta, a psychologist and researcher from Correctional Service Canada, at Nordisk Kriminalistmøde in Copenhagen 2010. Bonta’s research shows that using these principles in rehabilitation programs will lower the recidivism rate among offenders. With the multi-year financial agreement for the Danish Prison and Probation Service for 2013-2016, a nationwide project introducing the RNR principles was financed. The RNR project comprises two large projects in the Probation Service and in the Prisons respectively. In the RNR project in the Probation Service, 300 probation officers were trained in using the risk-and-need assessment instrument LS/RNR, and in using a newly developed model for supervision named MOSAIK. The implementation of the RNR principles in the prisons is part of a larger project improving the Intake Assessment Process in the prisons. As part of this project the prisons have established separate Intake Units, employed case managers to perform the risk-and-need assessment with new inmates (using the instrument LS/RNR), and introduced a new type of Sentence Plan. Also as part of the RNR project in the prisons a pilot on a new intervention program named MOVE is being tested in one open prison. This article mostly focuses on the project RNR in the Probation Service. It presents the evaluation design of the project as well as some of the results from the first study of the project. The study showed that even though the probation officers have been trained in using the risk-and-need assessment instrument LS/RNR not, all probation officers actually use the instrument when they supervise offenders. The article discusses some of the explanations for this.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».