論文の概要: Breaking the Cycle of Incarceration With Targeted Mental Health Outreach: A Case Study in Machine Learning for Public Policy

• arxiv url: http://arxiv.org/abs/2509.14129v1
• Date: Wed, 17 Sep 2025 16:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.915134
• Title: Breaking the Cycle of Incarceration With Targeted Mental Health Outreach: A Case Study in Machine Learning for Public Policy
• Title（参考訳）: メンタルヘルスアウトリーチによる投獄サイクルの破滅 : 公共政策のための機械学習を事例として
• Authors: Kit T. Rodolfa, Erika Salomon, Jin Yao, Steve Yoder, Robert Sullivan, Kevin McGuire, Allie Dickinson, Rob MacDougall, Brian Seidler, Christina Sung, Claire Herdeman, Rayid Ghani,
• Abstract要約: 我々は、ジョンソン郡、カンザス州、カーネギーメロン大学と共同で、標的とした活動的なメンタルヘルスアウトリーチを行うことを報告した。 我々のモデルは、新しい刑務所の予約を非常に予測しており、裁判の最高リスクグループの半数以上が翌年に刑務所に戻った。 アウトリーチはこれらのリスクの高い個人の中で最も効果的であり、メンタルヘルス利用、EMS派遣、刑事司法への関与に影響を及ぼした。
• 参考スコア（独自算出の注目度）: 3.5674225582760357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many incarcerated individuals face significant and complex challenges, including mental illness, substance dependence, and homelessness, yet jails and prisons are often poorly equipped to address these needs. With little support from the existing criminal justice system, these needs can remain untreated and worsen, often leading to further offenses and a cycle of incarceration with adverse outcomes both for the individual and for public safety, with particularly large impacts on communities of color that continue to widen the already extensive racial disparities in criminal justice outcomes. Responding to these failures, a growing number of criminal justice stakeholders are seeking to break this cycle through innovative approaches such as community-driven and alternative approaches to policing, mentoring, community building, restorative justice, pretrial diversion, holistic defense, and social service connections. Here we report on a collaboration between Johnson County, Kansas, and Carnegie Mellon University to perform targeted, proactive mental health outreach in an effort to reduce reincarceration rates. This paper describes the data used, our predictive modeling approach and results, as well as the design and analysis of a field trial conducted to confirm our model's predictive power, evaluate the impact of this targeted outreach, and understand at what level of reincarceration risk outreach might be most effective. Through this trial, we find that our model is highly predictive of new jail bookings, with more than half of individuals in the trial's highest-risk group returning to jail in the following year. Outreach was most effective among these highest-risk individuals, with impacts on mental health utilization, EMS dispatches, and criminal justice involvement.
• Abstract（参考訳）: 多くの投獄された個人は、精神疾患、物質依存症、ホームレスなど、重要で複雑な課題に直面している。 既存の刑事司法制度からの支持がほとんどないため、これらのニーズは未処理のままで悪化し、しばしばさらなる犯罪や、個人と公共の安全の両方にとって有害な結果による投獄のサイクルに繋がる。 これらの失敗に対応して、多くの刑事司法の利害関係者が、地域社会主導の、警察、メンタリング、コミュニティビルディング、復活的正義、裁判前転覆、全体防衛、社会サービス接続といった革新的なアプローチを通じて、このサイクルを打破しようとしている。 ここでは, ジョンソン郡, カンザス州, カーネギーメロン大学との共同研究を行い, 再流産率を下げるために, 標的とした, 積極的精神保健活動を行う。 本稿では, 使用したデータ, 予測モデリングアプローチ, 結果, および, モデルの予測力を検証し, 対象とするアウトリーチの影響を評価し, 再癌リスクのアウトリーチのどのレベルが最も効果的かを理解するためのフィールドトライアルの設計と解析について述べる。 この試行を通じて,我々のモデルは新たな監獄予約を高い予測力で予測していることが判明した。 アウトリーチはこれらのリスクの高い個人の中で最も効果的であり、メンタルヘルス利用、EMS派遣、刑事司法への関与に影響を及ぼした。

関連論文リスト

• Evidence of What, for Whom? The Socially Contested Role of Algorithmic Bias in a Predictive Policing Tool [0.9821874476902969]
  異なるグループの利害関係者が,ツールのアルゴリズムバイアスの多様な問題診断を明確化することを示す。 利害関係者は、警察パトロールアロケーションに関する政策を改定するためにアルゴリズムバイアスの証拠を利用する。 アルゴリズムバイアスの様々な利用の暗黙の仮定と範囲を証拠とみなす。
  論文  参考訳（メタデータ） (2024-05-13T13:03:33Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• The Progression of Disparities within the Criminal Justice System: Differential Enforcement and Risk Assessment Instruments [26.018802058292614]
  アルゴリズム的リスク評価手段(RAI)は、刑事司法における意思決定をますます通知する。 問題となるのは、逮捕が全体的違反を反映する程度は、その人の性格によって異なる可能性があることである。 犯罪と逮捕率の切り離しがRAIとその評価に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-05-12T16:06:40Z)
• Spatial-Temporal Hypergraph Self-Supervised Learning for Crime Prediction [60.508960752148454]
  本研究では,犯罪予測におけるラベル不足問題に対処する空間的ハイパーグラフ自己監視学習フレームワークを提案する。 都市空間全体における犯罪の地域的依存性をエンコードするクロスリージョンハイパーグラフ構造学習を提案する。 また,2段階の自己指導型学習パラダイムを設計し,局所的・世界的空間的犯罪パターンを共同で捉えるだけでなく,地域的自己差別の強化による疎犯罪表現を補う。
  論文  参考訳（メタデータ） (2022-04-18T23:46:01Z)
• The effect of differential victim crime reporting on predictive policing systems [84.86615754515252]
  本研究では, 被害者の犯罪報告率の違いが, 共通犯罪ホットスポット予測モデルにおいて, 結果の相違をもたらすことを示す。 以上の結果から, 犯罪報告率の差は, 高犯罪から低犯罪へ, 高犯罪・中犯罪・高報道へ, 予測ホットスポットの移動につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-01-30T01:57:22Z)
• Rethinking recidivism through a causal lens [0.0]
  ノースカロライナの有名なデータセットを用いて、投獄(プライソンタイム)が再犯に与える影響を考察する。 我々は、投獄が再犯に有害な影響があること、すなわち、長期の懲役刑により、解放後に個人が再犯する可能性がより高くなることを発見した。
  論文  参考訳（メタデータ） (2020-11-19T04:15:41Z)
• Controlling the Outbreak of COVID-19: A Noncooperative Game Perspective [61.558752620308134]
  孤立と社会的距離は、このパンデミックを抑える効果的な予防措置のようだ。 我々は、新型コロナウイルスの感染拡大を防ぐために、社会的距離を維持するためのインセンティブを提供する非協力型ゲームを提案する。 数値的な結果は、個人のインセンティブが85%以上増加し、家庭隔離の割合が増加することを示している。
  論文  参考訳（メタデータ） (2020-07-27T04:28:32Z)
• Compounding Injustice: History and Prediction in Carceral Decision-Making [0.0]
  この論文は、犯罪政策におけるアルゴリズムによる意思決定がフィードバック効果を示す方法について考察する。 我々は、現行の「犯罪リスク」決定要因の制御さえも、投獄の犯罪的効果の証拠を見つける。 本稿では, コンプレッション効果の理論的意義について検討する。
  論文  参考訳（メタデータ） (2020-05-18T14:51:50Z)
• COVI White Paper [67.04578448931741]
  接触追跡は、新型コロナウイルスのパンデミックの進行を変える上で不可欠なツールだ。 カナダで開発されたCovid-19の公衆ピアツーピア接触追跡とリスク認識モバイルアプリケーションであるCOVIの理論的、設計、倫理的考察、プライバシ戦略について概説する。
  論文  参考訳（メタデータ） (2020-05-18T07:40:49Z)
• Case Study: Predictive Fairness to Reduce Misdemeanor Recidivism Through Social Service Interventions [4.651149317838983]
  ロサンゼルス市検事局は、新しいRecidivism Reduction and Drug Diversion Unit (R2D2)を創設した。 本稿では,機械学習に基づく意思決定に予測的株式を組み込むケーススタディとして,この新しいユニットとのコラボレーションについて述べる。
  論文  参考訳（メタデータ） (2020-01-24T23:52:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。