Causal Interpretations of Correlational Evidence Regarding Violence
Notice bibliographique
Résumé
Inferring causation from correlation can lead to erroneous explanations of violent behavior and the development and implementation of ineffective or even harmful interventions and policies. This article explores the inferences that violence researchers draw from evidence related to violent offending. We invited authors of articles published in violence journals to complete an online survey in which they were asked to identify a factor that may be a cause of violence, cite a study that demonstrates the factor is associated with violence, and provide their inferences from that study. We read each study and coded its research design (description of a sample [ n = 9], cross-sectional/retrospective non-experiment [ n = 18], single-wave longitudinal non-experiment [ n = 10], multi-wave longitudinal non-experiment [ n = 0], or randomized experiment [ n = 5]) and the appropriate inferences (inter-rater reliability was adequate; κ = 0.73–1.00). Reassuringly, participants ( N = 42; 57.1% in United States; 59.5% women) rarely indicated that their identified study demonstrated that their factor was a cause of violence (0.0%–16.7%) when the study was not a randomized experiment. However, many participants failed to acknowledge any plausible alternate interpretations (e.g., reverse causality, third variable) of the results from non-experimental studies (50.0%–88.9%). Moreover, most participants incorrectly selected a causal implication as following from the results of non-experimental studies (77.8%–100%). Our results suggest that even among authors of articles published in peer-review scientific journals on violence, many appear to infer causation from correlation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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 ».