暴力再犯危险性的多维评估方法：潜类别模型与贝叶斯网络模型的结合

Evaluation of recidivism provides critical foundation for the supervision on prisoners, and have tight relations with the security and stable development of the society. Few study in this area considers psychological, behavioral, biological and environmental factors simultaneously together. Interaction and inter-correlation among these factors are often too complex to be considered in statistical model, which may limit the variance of recidivism explained by the predictive indicators, as well as the accuracy of prediction. By using latent class model and bayesian network model, the current project aims to provide robust psychometric and statistic methods for evaluating violent recidivism. The project is divided into four parts: (1) By applying latent class model, we will identify profiles of criminals with violence recidivism, in respect of their psychological and behavioral indicators. (2) Bayesian network models will be further built, in order to determine the network of relationship among predictive indicators and violent recidivism under each latent profile. (3) Data simulation and model selection will be conducted to select the effective predictors and determine their weight for predicting recidivism, and further reduce the cost for evaluation in the condition that sufficient accuracy is ensured. (4) Empirical data for the first-time offenders and their behavior record after release will be used to verify and adjust the parameters of prediction model. This project is a multidisciplinary study applying criminal psychology, psychological measurement and statistics, biological psychology, and criminology, which will provide a more effective and feasible method of predicting recidivism for judicial system.

再犯危险性评估是对服刑人员监管的重要前提，关系社会治安与稳定发展。以往研究少见同时将心理、行为、生物与环境因素作为预测指标，且所使用的传统模型未考虑因素之间的高阶交互作用与复杂的关系路径，导致对再犯行为解释率、预测准确性不足。本项目拟结合潜在类别模型与贝叶斯网络模型，为暴力再犯风险预测提供有效可行的测量和模型计算的方法。基本内容：（1）通过建立潜类别模型，分析暴力再犯群体在心理、行为指标上的潜在亚类；（2）通过贝叶斯网络模型构建各亚类下预测指标之间以及与暴力再犯行为之间复杂的网络关系；（3）通过数据模拟与模型比较，选择有效的预测指标并对其进行权重设定，以在确保预测准确度的前提下降低测量成本；（4）通过对初犯预测指标的测查以及狱后行为的追踪记录，检验、修正预测模型的参数。本研究结合犯罪心理学、心理测量、统计学、生物心理学、犯罪学等进行跨学科的应用研究，为司法系统提供有效可行的再犯预测工具。

本项目在多所监狱分多批次完成服刑人员的数据收集工作。基于潜在类别模型和贝叶斯网络模型，探讨服刑人员的特点与亚类型，并建立生物、环境、心理与行为多维预测指标与暴力再犯行为之间的因果网络模型。最后，基于精简后的预测指标修正再犯行为预测的模型，并通过机器学习方法交叉验证再犯风险预测的有效性。本项目主要形成以下四部分研究：.研究一对服刑人员特征进行潜在类别分析，发现四类童年受虐类型，即低虐待类、忽视类、性虐待类、躯体和情感虐待类，且不同受虐类型的服刑人员在人格障碍、犯罪行为和心理特质上存在差异。.研究二建立潜在类别与贝叶斯网络模型，发现遭受不同逆境类型的服刑人员在攻击、抑郁、药物成瘾程度上存在差异；创伤后应激障碍与心理健康问题存在的不同共病类型。进一步通过网络模型理清各种因素之间及其与暴力犯罪、再犯和攻击性的关系，并揭示PTSD症状对攻击性影响的心理路径：创伤体验的重现会导致回避和消极情绪与认知，进而产生过度警觉并影响反应性攻击。.研究三通过模拟研究优化各种潜在类别模型的后续分析方法，发现纳入式分类分析法相对稳健。对心理、生物信息和行为实验等多维测量指标进行验证，发现部分心理和生物信息具有预测作用，而攻击性实验范式指标的预测效果不佳。.研究四使用贝叶斯网络模型对再犯危险性进行预测建模，并利用机器学习算法（分类树、随机森林、KNN算法和logistics回归）对模型进行交叉验证。贝叶斯网络模型的预测性能尚可；网络模型发现，社会经济地位因素会通过犯罪朋友引起更高的攻击风险，与毒品成瘾引起的物质滥用风险共同增加了再犯风险。机器学习验证了网络模型的结果，发现再犯风险预测模型中最重要的三项因素为犯罪朋友、黑暗三联征和童年逆境。.本项目结合多学科进行跨学科的应用研究，充分发挥多维测量评估的优势，探讨暴力再犯的相关影响因素及机制，形成再犯危险性评估模型，为再犯风险评估和预防干预的人群筛选提供了实证数据支持和可操作的方法工具。

内容获取失败，请点击重试