Les instruments actuariels d'évaluation du risque de récidive : applicables aux auteurs d'infractions sexuelles ayant une déficience intellectuelle?

L’intérêt porté à l’évaluation du risque de récidive chez les délinquants ayant une déficience intellectuelle (DI) a notablement augmenté depuis les 10 dernières années. D’ailleurs, certains croient que les instruments utilisés pour mesurer le risque chez les auteurs d’infractions sexuelles neurotypiques peuvent s’appliquer aux auteurs d’infractions sexuelles ayant une DI tandis que d’autres appuient l’idée d’utiliser et de développer des mesures actuarielles propres à ces individus. Trois objectifs ont été posés pour tenter d’éclaircir ces deux visions, soit 1) Comparer les taux de récidive entre les deux groupes d’auteurs d’infractions sexuelles (ayant une DI et neurotypiques), en plus de déterminer lequel récidive plus rapidement sur une courte période de temps, 2) Analyser la validité prédictive de huit instruments actuariels (et de la PCL-R) auprès d’un échantillon d’auteurs d’infractions sexuelles ayant une DI et 3) Analyser la composition des instruments par domaines (Knight et Thornton, 2007). L’échantillon est composé de 550 auteurs d’infractions sexuelles dont 54 ont une DI. Les résultats suggèrent que les deux groupes d’auteurs d’infractions sexuelles (neurotypiques et ayant une DI) présentent des taux de récidive similaires. Un nombre restreint d’instruments semblent par contre efficaces chez les auteurs d’infractions sexuelles ayant une DI. De ce fait, le SVR-20 s’est révélé avoir une validité prédictive pour la récidive sexuelle, le RMC, le RMV et le MnSOST-R pour la récidive violente et le VRAG pour la récidive non violente. Il est toutefois justifié de se questionner sur la manière d’évaluer le risque chez cette clientèle particulière. L’analyse de la composition des instruments semble importante puisque certains domaines pourraient prédire différemment la récidive chez les auteurs d’infractions sexuelles ayant une DI. Une grande partie des facteurs pouvant être utiles dans la prédiction de la récidive ne semblent toujours pas avoir été identifiés, repoussant ainsi la création d’instruments propres aux délinquants ayant une DI.

Les instruments actuariels d'évaluation du risque de récidive : applicables aux auteurs d'infractions sexuelles ayant une déficience intellectuelle?

L’intérêt porté à l’évaluation du risque de récidive chez les délinquants ayant une déficience intellectuelle (DI) a notablement augmenté depuis les 10 dernières années. D’ailleurs, certains croient que les instruments utilisés pour mesurer le risque chez les auteurs d’infractions sexuelles neurotypiques peuvent s’appliquer aux auteurs d’infractions sexuelles ayant une DI tandis que d’autres appuient l’idée d’utiliser et de développer des mesures actuarielles propres à ces individus. Trois objectifs ont été posés pour tenter d’éclaircir ces deux visions, soit 1) Comparer les taux de récidive entre les deux groupes d’auteurs d’infractions sexuelles (ayant une DI et neurotypiques), en plus de déterminer lequel récidive plus rapidement sur une courte période de temps, 2) Analyser la validité prédictive de huit instruments actuariels (et de la PCL-R) auprès d’un échantillon d’auteurs d’infractions sexuelles ayant une DI et 3) Analyser la composition des instruments par domaines (Knight et Thornton, 2007). L’échantillon est composé de 550 auteurs d’infractions sexuelles dont 54 ont une DI. Les résultats suggèrent que les deux groupes d’auteurs d’infractions sexuelles (neurotypiques et ayant une DI) présentent des taux de récidive similaires. Un nombre restreint d’instruments semblent par contre efficaces chez les auteurs d’infractions sexuelles ayant une DI. De ce fait, le SVR-20 s’est révélé avoir une validité prédictive pour la récidive sexuelle, le RMC, le RMV et le MnSOST-R pour la récidive violente et le VRAG pour la récidive non violente. Il est toutefois justifié de se questionner sur la manière d’évaluer le risque chez cette clientèle particulière. L’analyse de la composition des instruments semble importante puisque certains domaines pourraient prédire différemment la récidive chez les auteurs d’infractions sexuelles ayant une DI. Une grande partie des facteurs pouvant être utiles dans la prédiction de la récidive ne semblent toujours pas avoir été identifiés, repoussant ainsi la création d’instruments propres aux délinquants ayant une DI.

tecniche di machine learning per la predizione del rating delle applicazioni all’interno di un play store

Il mio progetto di tesi ha come obiettivo quello di creare un modello in grado di predire il rating delle applicazioni presenti all’interno del Play Store, uno dei più grandi servizi di distribuzione digitale Android. A tale scopo ho utilizzato il linguaggio Python, che grazie alle sue librerie, alla sua semplicità e alla sua versatilità è certamen- te uno dei linguaggi più usati nel campo dell’intelligenza artificiale. Il punto di partenza del mio studio è stato il Dataset (Insieme di dati strutturati in forma relazionale) “Google Play Store Apps” reperibile su Kaggle al seguente indirizzo: https://www.kaggle.com/datasets/lava18/google-play-store-apps, contenente 10841 osservazioni e 13 attributi. Dopo una prima parte relativa al caricamen- to, alla visualizzazione e alla preparazione dei dati su cui lavorare, ho applica- to quattro di↵erenti tecniche di Machine Learning per la stima del rating delle applicazioni. In particolare, sono state utilizzate:https://www.kaggle.com/datasets/lava18/google-play-store-apps, contenente 10841 osservazioni e 13 attributi. Dopo una prima parte relativa al caricamento, alla visualizzazione e alla preparazione dei dati su cui lavorare, ho applicato quattro differenti tecniche di Machine Learning per la stima del rating delle applicazioni: Ridje, Regressione Lineare, Random Forest e SVR. Tali algoritmi sono stati applicati attuando due tipi diversi di trasformazioni (Label Encoding e One Hot Encoding) sulla variabile ‘Category’, con lo scopo di analizzare come le suddette trasformazioni riescano a influire sulla bontà del modello. Ho confrontato poi l’errore quadratico medio (MSE), l’errore medio as- soluto (MAE) e l’errore mediano assoluto (MdAE) con il fine di capire quale sia l’algoritmo più efficiente.