The Risk Screener Violence (RS-V): retrospective prediction of violent and aggressive incidents within the prison setting
Notice bibliographique
Résumé
Introduction: Physical and verbal violence toward staff or other detained individuals is a reoccurring problem within correctional facilities. Screening for violence risk within the prison setting could provide a valuable first step in the prevention of institutional violence. The brief and compact Risk Screener Violence (RS-V) has shown to be an efficient new method for assessing concerns regarding post-release violent offending for incarcerated persons. This study aimed to find out whether the RS-V is also able to predict future violent and aggressive incidents during imprisonment. Methods: The predictive validity of the RS-V for future violent and aggressive incidents during a follow-up time of 4 months within prison was analyzed, using a file-based design. Violent incidents toward staff and other inmates (physical violence and violent threats), other aggressive incidents (aggression toward objects and verbal disruptive behavior), and both categories combined, were included as outcome measures based on disciplinary reports. Results: The RS-V showed medium to large predictive values for both violent and aggressive behavior during prison stay. In particular, good predictive values of the RS-V were found for violence toward prison staff. Discussion: This study shows that, besides post-release violent recidivism, the RS-V is able to accurately predict future violent and aggressive incidents during prison stay. By correctly differentiating between low concern and high concern individuals, the RS-V aims to contribute to more personalized interventions and risk management and, subsequently, to improved prison safety. Future studies using prospective prison practice data are needed to further support the validity of the RS-V regarding institutional violence.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».