Using Latent Class Analysis to Identify Need Typologies and Recidivism Likelihood Among Women Who Perpetrate Violence
Notice bibliographique
Résumé
Understanding the heterogeneity of women who engage in violence is critical to provide effective treatment and reduce the likelihood of recidivism. Existing typologies of women who engage in violence have been created using mixed methodological approaches; the field would benefit from replication using a quantitative clustering method-latent class analysis (LCA)-as it is arguably more objective than methods used to date. A LCA was conducted using archival data involving 3,773 justice-impacted women in Western Canada to identify unique subgroups of women who perpetrate violence. Three distinct profiles emerged: (a) intimate partner violence (IPV)-only (40.5%), wherein almost all women reported only perpetrating domestic violence and had zero or only one previous violent conviction, (b) patterned (19.1%), wherein violence was perpetrated toward domestic partners and unknown victims, and the majority had two or more previous violent convictions, and (c) isolated (40.4%), wherein very few perpetrated domestic violence, some perpetrated violence toward unknowns, and the majority had either zero or only one previous conviction for a violent offense. Need profiles and recidivism outcomes were further analyzed as a function of group membership. As hypothesized, the group with the greatest criminal history and use of violence reported the greatest needs. Recidivism also increased as the number of dynamic needs increased. Notably, 80.9% of the sample was predominantly low risk/low need and were identified as IPV-only or isolated women. Implications of these findings may be used to inform risk classification, treatment targets, and treatment intensity required to reduce the likelihood of recidivism among women who perpetrate 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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».