Assessment Measures For Sexual Predators: Step-by-Step Guidelines
Notice bibliographique
Résumé
Abstract As a result of recent legislative changes in both the United States and Canada regarding sexually violent predators (Glancy, Regehr, 2001; Zonona, 1999), mental health practitioners are increasingly being called upon to provide predictions regarding the future dangerousness of convicted sex offenders. Prediction of dangerousness based solely on clinical assessments for offenders of any kind and in particular sexual offenders, however, has proved to be remarkably inaccurate and to result in very low interrater reliability between professional assessors (Hilton, Simmons, 2001). Consequently, there has been considerable effort in the past decade to develop actuarial tools with the aim of improving predictive accuracy. Developers of the tools have reported favorable results in terms of predictive validity, but, nevertheless, considerable controversy exists about the place of actuarial testing in the assessment of sexual offenders (Zonona, 2000; Sreenivasan, Kirkish, Garrick, Wineberger, Phenixa, 2000). The original actuarial instruments focused exclusively on “static” or historical factors such as the age at first offence and the nature of violent offenses. The developers suggested that these tools for the prediction of dangerousness are accurate enough to be used in isolation and that adjunctive clinical assessments not only may fail to add to the predictive validity but in fact may be detrimental (Quinsey, Khanna,, Malcolm, 1998).
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 | 0,018 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,015 |
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 ».