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 in California's 58 counties over eight years between 2010 and 2017.The primary focus of the regression is a
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| 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 ».