Violent reoffending in people released from prison: psychiatric epidemiology, risk assessment and psychological interventions
Notice bibliographique
Résumé
Violence was identified as a global public health concern by the World Health Assembly nearly three decades ago. Despite reported decreases in violent crime in many countries, reoffending rates worldwide remain high. Amongst people released from prison, there are some at high-risk of perpetrating interpersonal violence. Identifying these key individuals, who are most in need of effective interventions to prevent future criminality, is crucial to reducing societal violence, as their contribution to this major problem is considerable. In this thesis, I focus on violence risk assessment and prevention of future violence in people released from prison by employing methods from psychiatric epidemiology, public mental health and prediction modelling. I start by estimating the prevalence of a modifiable risk factor for violence (i.e. treatable mental disorders) amongst adolescents in juvenile detention and correctional facilities. I select this subgroup of the global prison population as most severe mental disorders emerge in late adolescence, and thus this period provides a critical window to improve prognosis and intervention. My second and third studies externally validate a novel, scalable and transparent violence prediction model—the Oxford Risk of Recidivism (OxRec) tool—in two new countries. I investigate the predictive ability of OxRec in both lower middle-income and high-income settings using data from Tajikistan and England to identify individuals who could be targeted for empirically supported interventions in prison and on release. Lastly, I evaluate the effectiveness of widely implemented psychological interventions for people in prison to reduce offending after release. I synthesise the evidence by solely including randomised controlled trials to identify the current most effective treatments, and inform future evidence-based research and policy in this area.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».