Trajectories of Change in Acute Dynamic Risk Ratings and Associated Risk for Recidivism in Paroled New Zealanders: A Joint Latent Class Modelling Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Objectives Prior studies indicate risk for recidivism declines with time spent in the community post-incarceration. The current study tested whether declines in risk scores occurred uniformly for all individuals in a community corrections sample or whether distinct groups could be identified on the basis of similar trajectories of change in acute risk and time to recidivism. We additionally tested whether accounting for group heterogeneity improved prospective prediction of recidivism. Methods This study used longitudinal, multiple-reassessment data gathered from 3,421 individuals supervised on parole in New Zealand ( N = 92,104 assessments of theoretically dynamic risk factors conducted by community corrections supervision officers). We applied joint latent class modelling (JLCM) to model group trajectories of change in acute risk following re-entry while accounting for data missing due to recidivism (i.e., missing not at random). We compared accuracy of dynamic predictions based on the selected joint latent class model to an equivalent joint model with no latent class structure. Results We identified four trajectory groups of acute dynamic risk. Groups were consistently estimated across a split sample. Trajectories differed in direction and degree of change but using the latent class structure did not improve discrimination when predicting recidivism. Conclusions There may be significant heterogeneity in how individuals’ assessed level of acute risk changes following re-entry, but determining risk for recidivism should not be based on probable group membership. JLCM revealed heterogeneity in early re-entry unlikely to be observed using traditional analytic approaches.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle