Risks of Recidivism in Criminally Involved Persons With Addiction at Risk of Deportation: A Case Commentary and Review
Notice bibliographique
Résumé
ABSTRACT A clinical case is presented for a patient in sustained remission from opioid use disorder following 12 months of evidence-based treatment who faces deportation due to criminal behavior conducted whilst in active and untreated addiction. A review of the criminal justice and addiction literature suggests that the chance of relapse and recidivism to criminal behavior is low when engaged in evidence-based addiction treatment for over 12 months. Deportation has been shown to disrupt recovery activity and increase recidivism and relapse risk. As addiction is widely now understood to be a disease based in neurobiology, and treatable, we believe that the evidence supports our assertion of deportation as a cruel and unjust treatment of a chronic disease. La présentation du cas clinique d’un patient en rémission prolongée causé par un trouble lié à l’usage d’opioïdes. Après 12 mois de traitement fondé sur des données probantes, le patient risque l’expulsion en raison d’un comportement criminel mené alors qu’il était dans une dépendance active et non traitée. Une revue de la justice pénale et de la littérature sur l’addiction suggère que le risque de rechute et de récidive au comportement criminel est faible lorsque le patient est engagé dans un traitement de l’addiction fondé sur des données probantes pendant plus de 12 mois. Il a été démontré que l’expulsion perturbe les activités de rétablissement et augmente les risques de récidive et de rechute. Comme l’addiction est désormais largement comprise comme une maladie basée sur la neurobiologie et traitable, nous pensons que la preuve étaye notre affirmation selon laquelle l’expulsion est un traitement cruel et injuste d’une maladie chronique.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».