Predicting Physical Violence Against Corrections Officers Across Three Levels of Severity Using Individual and Environmental Characteristics
Notice bibliographique
Résumé
Working in prisons can be a challenging job, managing a population of incarcerated people while keeping oneself, one's colleagues, and the people themselves safe. Some corrections officers may expect violence in the workplace, yet being a victim of violence is no trivial experience. In prison, violent incidents are categorized according to the severity of the violence perpetrated. However, we do not know how characteristics of a violent incident may contribute to the severity of violence perpetrated toward corrections staff. To begin to address this gap, we examined characteristics of physical assault incidents in New Zealand prisons between 2016 and 2020, in which the perpetrator of the incident was a male prisoner and the victim was a corrections officer. We examined the prediction of incidents across three levels of severity using individual and environmental characteristics. Perpetrators of serious violence tended to be already segregated from the general population at the time of the assault. We also found that perpetrators of assault against staff were different from the general prison population: prisoners who assaulted staff were more likely to be younger, gang affiliated, and had higher security classifications compared to prisoners who did not assault staff. Research suggests that characteristics of perpetrators can contribute to their risk of perpetrating violence; we found that characteristics of perpetrators (i.e., being segregated) can also contribute to the severity of violence perpetrated. Furthermore, we offer a direct comparison between prisoners who assaulted staff and prisoners who did not, therefore cementing research that prisoners who assaulted staff are different from the rest of the prison population.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».