Violence Risk Assessment in Women: The value of the Female Additional Manual
Notice bibliographique
Résumé
Women and girls represent only a minority in the penitentiary system and in forensic mental health care. About 6%–10% of both prison and forensic psychiatric populations in Western countries comprise women (see for the most recent offi cial statistics in the UK w ww.gov. uk/government, in Canada w ww.statcan.gc.ca, and in the US w ww.bjs.gov) . However, there seems to be widespread agreement that in the past 20 years female offending has been on the rise, especially violent offending and particularly among young women ( Miller, Malone, and Dodge, 2010; M oretti, Catchpole, and Odgers, 2005) . Overall, a disproportionate growth of females entering the criminal justice system and forensic mental health care has been observed in many countries (for reviews, see Nicholls, Cruise, Greig, and Hinz, 2015; Odgers, Moretti, and Reppucci, 2005 ; Walmsley, 2015) . In addition, it should be noted that the ‘dark number’ for women is suggested to be bigger than for men. Offi cial prevalence rates of female offending might constitute an underestimation as women usually commit less reported offences, for example, domestic violence (N icholls, Greaves, Greig, and Moretti, 2015) . Furthermore, it has been found that – if apprehended – girls and women are treated more leniently by professionals and the criminal justice system. Generally, they receive lower prison sentences and are more often admitted to civil psychiatric institutions instead of receiving a prison sentence or mandatory forensic treatment after committing violence ( Javdani, Sadeh, and Verona, 2011 ; Jeffries, Fletcher, and Newbold, 2003 ). Hence, although female offenders compared to male offenders are a minority, female violence is a substantial problem that deserves more attention. Our understanding of female offenders is hindered by the general paucity of theoretical and empirical investigations of this population. In order to improve current treatment and assessment practices, our knowledge and understanding of female offenders should be enlarged and optimised (d e Vogel and Nicholls, 2016 ).
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 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,005 |
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 ».