Somebody's watching me: examining the impact of probation officer caseloads on revocation rates
Notice bibliographique
Résumé
There are approximately one quarter of a million individuals on supervised probation in California.This is more than the number of people incarcerated in, or on parole from, state prisons, and equates to roughly one in every hundred California adults.As the most substantial means of correctional supervision in the state, probation is a crucial piece of public safety when policymakers consider potential changes to any statewide approach to criminal justice.Prior research into probation as a system indicated several critical factors for predicting the likelihood of a probationer's success or failure: education, criminal background, economic and family ties, race and ethnicity, and mental health.These important elements of a probationer's life are significant predictors of whether the probationer will complete the term of his or her supervision.However, these are systemic realities that are often hard to solve, or even clearly identify, through targeted policy decisions.However, there are other factors entirely within reach of policy intervention.One example is the use of standardized or well-defined and appropriate caseloads for probation officers.Historically, researchers have explored the impact of probation officer caseload sizes on outcomes and found mixed results, mostly because of the unique circumstances of each study. My research utilizes a regression analysis of probation revocations inCalifornia's 58 counties over eight years between 2010 and 2017.The primary focus of the regression is a vi comparison of the revocation rate and the overall caseload size in each county, although I also examined other factors such as county racial demographics, education attainment, and economic metrics.Additionally, I provide additional context and insight into the implications suggested by the regression results and potential policy avenues to improve probation in California.I found in my regression results that population density, the county's median age, the ratio of probationers to probation officers, and the level of state funding provided through the California Community Corrections Performance Incentive (SB 678) program all impact a county's probation failure rate at statistically significant levels.Comparing against existing literature and noting the limitations of this particular study, I find that careful management of differentiated caseloads based on an offender's potential risk to re-offend and increasing financial incentives to counties are beneficial policy actions to reducing the likelihood of probationers failing the terms of their supervision.
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 | 0,006 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».