Examining the Contribution of Responsivity Factors to the Dynamic Risk Assessment for Offender Re-entry
Notice bibliographique
Résumé
The risk-need-responsivity model has been shown to be an effective method for reducing recidivism rates (Andrews & Bonta, 2010).While the risk and need principles have garnered much attention in previous research, responsivity factors are not as well understood, especially when considering specific responsivity factors.The current study examined the use of three specific responsivity factors -trauma, mental health, and selfefficacy in conjunction with the Dynamic Risk Assessment for Offender Re-entry (DRAOR) in predicting recidivism and informing case planning and management.Archival data were used from the Iowa Department of Corrections database to create a sample of male justice-involved persons (N = 3,703) who had been assessed within the first year of their supervision start date.Linear regressions revealed relationships between all three responsivity factors and both total DRAOR scores and items of interest.Logistic regressions revealed relationships between all three responsivity factors and recidivism.However, only trauma and self-efficacy incrementally predicted recidivism when added to the DRAOR.The overall best model for predicting recidivism included total DRAOR scores, trauma, and self-efficacy.When considering all relationships examined, the current study demonstrates the usefulness of these three items in case management and planning as well as the importance of considering specific responsivity factors and attending to needs in order to assist justice-involved persons in achieving better outcomes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».