The role of criminal expertise in serial sexual offending: a comparison to “novices”
Notice bibliographique
Résumé
Purpose Serial offenders have been described as more forensically aware, better able to control their victim, and ultimately, more adept at eluding detection. Despite these assertions, there is a lack of research examining differences in “criminal expertise” (i.e. offense-related skills and competencies) between serial and non-serial offenders. The purpose of the current study is to address this empirical research gap. Design/methodology/approach The current study uses binary logistic regression to examine a sample of 83 serial offenses and 322 offenses involving “novices” (i.e. offenders without a previous criminal history) to determine whether criminal expertise is a distinctive feature of the crime-commission process of serial offenders, compared to novices. Findings Binary logistic regression findings indicated that offenders who did not verbally reassure their victim, who brought a weapon to the offense and who selected a victim who was walking were more likely to be serial. Taken together, these behaviors do not suggest that serial offenders are “experts” at avoiding detection, but rather, indicate some general offense competencies and skills related to violent offending. Originality/value The current study offers the first direct application of the criminal expertise framework to serial sexual offending. The findings offer new insights for the treatment and management of offenders who possess offense-related competencies and skills, which can offer a complementary view to more deficit-based models.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».