Exploring Enhancements to Intimate Partner Violence Risk Assessment: Leveraging Insights from Decision Tree Analyses
Notice bibliographique
Résumé
Intimate partner violence (IPV) represents the largest proportion of violence in most women's lives, and it affects millions of individuals and families across Canada and around the world.Research indicates that current IPV risk assessments do not meaningfully outperform general-violence risk assessments.The purpose of the current study was to improve IPV risk assessments, specifically, to better understand whether IPV specialists and generalists are different and, additionally, to determine the extent to which IPV-salient risk factors should be considered, or differently weighted, in predicting recidivism.The sample (N = 911) included men who were referred to outpatient treatment or recruited from an employment agency between 1976 and 1994.Using recidivism data obtained in 1999 for a subset of 343 cases, more than 700 simple and composite potential predictor variables were examined.Approximately 53% of men were identified as IPV specialists, and 31% recidivated.Using classification and regression tree (CART) analyses, 22 variables were identified as differentiating between specialists and generalists, and 13 variables were found to differentiate between recidivists and non-recidivists in the training samples, respectively.A random forest procedure was used to reduce the pool of variables, resulting in trees with overall classification accuracy of 72.1% in the specialization model and 62.0% in the recidivism model.The models generalized with some success to the testing samples.Finally, an assessment was made of the weighting of IPV-salient to generalviolence risk factors.When considered separately, the IPV-salient and general-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 | 0,023 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».