Clients’ current presentation yields best prediction of criminal recidivism: Jointly modeling repeated assessments of risk and recidivism outcomes in a community sample of paroled New Zealanders.
Notice bibliographique
Résumé
OBJECTIVE: Clinicians often rely on readily observable intermediate outcomes (e.g., symptoms) to assess the likelihood of events that occur outside of treatment (e.g., relapse). Similarly, those monitoring clients with histories of criminal involvement attempt to prevent adverse outcomes considered likely and intervene when symptoms/risk factors fluctuate. Our aim was to develop a stronger understanding of associations between evolving symptoms/risk factors and case outcomes, yielding clearer practice implications. METHOD: We used longitudinal, multiple reassessment risk data from 3,421 individuals paroled in New Zealand. We used joint modeling to test the association between individual trajectories of psychosocial risk factor scores, assessed using Dynamic Risk Assessment for Offender Re-entry, and recidivism (official records of parole violations or criminal charges resulting in reconviction). We examined whether recent clinically relevant features of risk presentation (e.g., current levels, recent rate of change) predicted recidivism better than the entirety of the risk assessment trajectory. RESULTS: Although each model demonstrated similar predictive validity, measures of model fit indicated that models using current trajectory features outperformed those using the entire assessment history to predict recidivism. CONCLUSIONS: Change in dynamic risk factors is consistently associated with recidivism outcomes. When using changeable factors to monitor clients' current risk for recidivism, practitioners should focus on current presentation rather than the entire assessment history, although differences in predictive discrimination are small. (PsycInfo Database Record (c) 2022 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 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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».