From theory to conceptualization, through operationalization: Comparing indicators of desistance from crime
Notice bibliographique
Résumé
Appreciating the development of the literature on desistance and producing scientific research in the context of conceptual and operational instability is a complex exercise. Several constraints affect the choice of operationalization, including the characteristics of available data. Beyond the search for a perfect or consensual measure, it becomes imperative to understand how the definitional and conceptual choices shape and limit studies. The current analysis contributes to this literature by comparing three operationalization strategies for desistance from crime in quantitative and longitudinal designs: a binary measure of participation in delinquency, a scale measure of the versatility of offending, and a scale measure of the intensity of offending (original measure combining versatility and frequency of offending). Taxonomies of multilevel models for change were conducted with a subsample of data collected as part of the Montreal Two Samples Four Generations Cross-sectional and Longitudinal Studies to predict desistance as a function of age and various sets of common time-varying (level 1) and time-stable (level 2) independent variables. Results show differences in the capacity of every measure to capture desistance, and predictors vary in nature and number according to the predicted outcome (participation, versatility or intensity). Overall, results tend to indicate that the various measures are complementary; they provide a more complete picture of desistance as they capture different aspects or phases of the phenomenon. The strengths and limitations of each operationalization strategy are discussed. Relevant direction for further research considering the conceptual and operational diversity in this field of study are suggested.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».