在表现出反社会行为的青少年中预测刑事犯罪:一项机器学习研究,使用来自多系统疗法大型随机对照试验的数据
Jae Won Suh1, Rob Saunders2, Elizabeth Simes3
1CORE Data Lab, Centre for Outcomes Research and Effectiveness, Research Department of Clinical, Educational and Health Psychology, University College London, London, UK. j.suh@ucl.ac.uk.
机器学习模型准确地预测了有风险的年轻人的犯罪行为. 可解释的模型可以指导对年轻人的反社会行为的干预.
科学领域:
- 法医心理学 法医心理学
- 计算机犯罪学 计算机犯罪学
- 年轻人正义,青年正义.
背景情况:
- 在有反社会行为的年轻人中,准确预测短期犯罪对于有效的干预至关重要.
- 机器学习 (ML) 为提高这个领域的预测准确性提供了一个有希望的途径.
- 可解释的ML分析可以为临床决策提供有价值的见解.
研究的目的:
- 开发和评估用于预测青少年犯罪的机器学习模型.
- 评估可解释的ML在为具有反社会行为的青少年提供临床实践信息中的实用性.
主要方法:
- 训练了四个ML算法 (逻辑回归,弹性网,随机森林,梯度增强机) 在679名青少年 (年龄11-17岁) 的数据上,这些青少年具有中度至严重的反社会行为.
- 使用随时可用的临床预测因素和额外信息 (例如,育儿) 开发模型.
- 采用嵌套交叉验证,以进行可靠的绩效评估和计算模型不可知特征的重要性.
主要成果:
- 梯度增强机 (GBM) 模型使用易于获得的预测器实现了最高的预测精度 (AUC 0.85),超过了简单的方法.
- 机器学习模型表现出优异的性能,而不是仅仅使用以前的违法行为数量或过去的违法状况.
- 包括额外的预测因素对不同算法的模型性能产生了可变的影响.
结论:
- 机器学习方法显示出在高风险青年中准确预测犯罪行为的巨大潜力.
- 可解释的ML模型可以成为青年服务和研究人员开发和实施有针对性的干预措施的宝贵工具.
更多相关视频
05:52Handwriting Analysis Indicates Spontaneous Dyskinesias in Neuroleptic Naïve Adolescents at High Risk for Psychosis
Published on: November 21, 2013
13:08Measurement of Fronto-limbic Activity Using an Emotional Oddball Task in Children with Familial High Risk for Schizophrenia
Published on: December 2, 2015
相关概念视频
Conduct Disorder
Operant Conditioning Intervention
In operant conditioning, behaviors that are...
Behavior Modification
A real-world application of operant conditioning principles is applied...
Modeling in Therapy
Participant Modeling
Participant modeling involves therapists demonstrating calm and effective behaviors in...
Regression Toward the Mean
Antisocial Personality Disorder
Behavioral Characteristics and...
