A meta-analysis of the effect of violence intervention programs on general and violent recidivism
Notice bibliographique
Résumé
Individuals with convictions for violence are likely to have both violent and nonviolent subsequent reoffences. Individuals who have committed violent offences are often required to participate in violence treatment programming prior to release. The aim of this study was to examine whether violence intervention programs offered in community or institutional correctional settings are effective for reducing general and violent recidivism among individuals with previous histories of violence. In total, 21 controlled studies with data from 17,223 violent offenders (99% men) were included in the meta-analysis for general recidivism, and 19 controlled studies with data from 8,863 offenders (99% men) were included in the meta-analysis for violent recidivism. This article extends an earlier meta-analysis by Papalia et al. (Clinical Psychology: Science and Practice, 26(2), 1–28 [2019]) by adding seven new studies to the meta-analysis of general recidivism and five new studies to the meta-analysis of violent recidivism. The results of the meta-analysis indicate that the odds of general recidivism were 25% lower, and the odds of violent recidivism were 24% lower for individuals who participated in interventions compared with the control groups. The results of the present study are consistent with previous meta-analyses, which support the use of correctional violence treatment programs. Implications for future research are identified, considering these findings.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».