Wider Computer-Test Use to Assess-Risk-Manage (ARM) Cuts U.S. Yearly 10,000-Violence-Deaths &Saves $322B-$1.2T-Violence-Cost-by Diverting High-Risk-Persons
Notice bibliographique
Résumé
Summary.—Ask Standard Predictor (AS) and Minnesota Multiphasic Personality Inventory (MMPI-2/A) computer-tests find high-risk persons with 3-or-4 out of a “7-point-high-risk-profile”(addiction-alcoholism, deception, depression, antisocial-behavior, paranoid-ideation, schizophrenic-thinking, violence), based on 320,051-persons, 212-studies, 95-years, with 97% objectivity, reliability, sensitivity, specificity, validity, compared to current ways that miss 61% (homicidal, mass or serial-murdering, sex-offending, overdosing, suicide-completers), costing U.S. $2.36T/year. One solution is teaching insurance executives to copy in 100 cities, “1-summer-Chicago-youth-job-program” 311,599 high-risk youth, over 17-years, targeted with ASP-replicated-equation, diverted with jobs, mentors, anger-training [ROI = $6.42/$], saving $3.6B-$5.3B, preventing 1,242 homicides, lowering shootings 46%, violent offenses 77%. Another solution is weekend, business-university-department workshops on the math and science with 124 real-life-stories of finding-high-risk-persons and taking the 2 computer tests for leadership (education, energy, health, military, nonprofit-religious, police, prisons, transportation, ROI = $2-323/$) lowering high-risk, saving hundreds of billions. Insurance-brokers mandating workshop attendance in professional liability contracts lower victim payouts, lost profits, and trauma.
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 | 0,009 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».