論文の概要: The Dynamic and Endogenous Behavior of Re-Offense Risk: An Agent-Based Simulation Study of Treatment Allocation in Incarceration Diversion Programs

• arxiv url: http://arxiv.org/abs/2601.12441v1
• Date: Sun, 18 Jan 2026 14:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.631269
• Title: The Dynamic and Endogenous Behavior of Re-Offense Risk: An Agent-Based Simulation Study of Treatment Allocation in Incarceration Diversion Programs
• Title（参考訳）: 再感染リスクの動的・内因的行動--被収容者退院プログラムにおける治療配置のエージェント・ベース・シミュレーションによる検討
• Authors: Chuwen Zhang, Pengyi Shi, Amy Ward,
• Abstract要約: 収監・転用治療プログラムは、社会的再統合を改善し、再犯を減らすことを目的としている。 リスクを人間-システム間相互作用としてモデル化する新しいフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 5.280480801107192
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Incarceration-diversion treatment programs aim to improve societal reintegration and reduce recidivism, but limited capacity forces policymakers to make prioritization decisions that often rely on risk assessment tools. While predictive, these tools typically treat risk as a static, individual attribute, which overlooks how risk evolves over time and how treatment decisions shape outcomes through social interactions. In this paper, we develop a new framework that models reoffending risk as a human-system interaction, linking individual behavior with system-level dynamics and endogenous community feedback. Using an agent-based simulation calibrated to U.S. probation data, we evaluate treatment allocation policies under different capacity constraints and incarceration settings. Our results show that no single prioritization policy dominates. Instead, policy effectiveness depends on temporal windows and system parameters: prioritizing low-risk individuals performs better when long-term trajectories matter, while prioritizing high-risk individuals becomes more effective in the short term or when incarceration leads to shorter monitoring periods. These findings highlight the need to evaluate risk-based decision systems as sociotechnical systems with long-term accountability, rather than as isolated predictive tools.
• Abstract（参考訳）: 収監・転用治療プログラムは、社会的再統合を改善し、再犯を減らすことを目的としているが、限られた能力を持つ政策立案者は、しばしばリスク評価ツールに依存する優先順位決定を迫られる。 予測的ではあるが、これらのツールはリスクを静的な個々の属性として扱い、リスクが時間とともにどのように進化するか、そして治療の決定が社会的相互作用を通じて結果を形成するかを見落としている。 本稿では,リスクを人間-システム間相互作用としてモデル化し,個人行動とシステムレベルのダイナミクスと内在的コミュニティフィードバックを関連付ける新しいフレームワークを開発する。 エージェント・ベース・シミュレーションを米国の保護観察データに調整し,異なるキャパシティ制約と収監条件下での処理割り当てポリシーを評価する。 以上の結果から, 優先順位付け方針が支配的でないことが示唆された。 その代わりに、政策の有効性は、時間的ウィンドウとシステムパラメータに依存する: リスクの低い個人を優先順位付けすることは、長期的軌跡が問題となるときに、より良いパフォーマンスを得られる一方で、リスクの高い個人を優先順位付けすることは、短期的に、あるいは投獄が短い監視期間につながるときにより効果的になる。 これらの知見は、リスクベースの意思決定システムを、独立した予測ツールとしてではなく、長期的説明責任を持つ社会技術システムとして評価することの必要性を強調している。

関連論文リスト

• Power Constrained Nonstationary Bandits with Habituation and Recovery Dynamics [0.9699640804685629]
  本稿では,ROGUEフレームワークに適したトンプソンサンプリングアルゴリズムを提案する。 次に、パーソナライゼーションと集団レベルの学習のバランスをとるために、確率的クリッピング手法を導入する。 マイクロランダム化試験を設計する研究者にとって、我々のフレームワークはパーソナライズと統計的妥当性のバランスをとるための実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-11-04T19:46:42Z)
• MARIA: A Framework for Marginal Risk Assessment without Ground Truth in AI Systems [11.620099531890716]
  既存のプロセスを置き換えるためにAIシステムをデプロイする前に、リスクを追加することなく改善を保証するために、既存のシステムと比較する必要がある。 従来の評価は両方のシステムに対して基礎的な真理に依存しているが、しばしば遅延または不可知の結果のために利用できない。 根拠的真理や絶対的リスクへの依存を避けるための限界リスク評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T04:18:20Z)
• Competing Risks: Impact on Risk Estimation and Algorithmic Fairness [0.0]
  生存分析(Survival analysis)は、検閲患者として知られる研究期間中に興味のある出来事を経験していない患者のことを指す。 競合するリスクは、しばしば検閲として扱われる。 我々の研究は、競合するリスクを検閲として扱うことが、生存率のかなりのバイアスをもたらし、リスクを体系的に過大評価し、そして批判的に、格差を増幅する理由を示している。
  論文  参考訳（メタデータ） (2025-08-07T14:25:43Z)
• Answer, Refuse, or Guess? Investigating Risk-Aware Decision Making in Language Models [63.559461750135334]
  言語モデル(LM)は、目標を達成するために自律的に行動可能なエージェントを構築するために、ますます使われています。 本研究では,人為的リスク構造を体系的に変化させる評価枠組みを用いて,この「回答または延期」問題を考察する。 回答や判断に要する独立したスキルを分離した簡易なスキル分解手法が,LMの意思決定ポリシーを一貫して改善できることがわかった。
  論文  参考訳（メタデータ） (2025-03-03T09:16:26Z)
• Provably Efficient Iterated CVaR Reinforcement Learning with Function Approximation and Human Feedback [57.6775169085215]
  リスクに敏感な強化学習は、期待される報酬とリスクのバランスをとるポリシーを最適化することを目的としている。 本稿では,線形および一般関数近似の下で,CVaR(Iterated Conditional Value-at-Risk)を目標とする新しいフレームワークを提案する。 本稿では,この反復CVaR RLに対するサンプル効率の高いアルゴリズムを提案し,厳密な理論的解析を行う。
  論文  参考訳（メタデータ） (2023-07-06T08:14:54Z)
• Is Risk-Sensitive Reinforcement Learning Properly Resolved? [54.00107408956307]
  本稿では,RSRL問題に対するポリシー改善のための新しいアルゴリズムであるトラジェクトリQ-Learning(TQL)を提案する。 新たな学習アーキテクチャに基づいて,さまざまなリスク対応政策を学習するための,さまざまなリスク対策の汎用的かつ実践的な実装を自由に導入できる。
  論文  参考訳（メタデータ） (2023-07-02T11:47:21Z)
• Two steps to risk sensitivity [4.974890682815778]
  条件付きバリュー・アット・リスク(CVaR)は、人間と動物の計画のモデル化のためのリスク尺度である。 CVaRに対する従来の分布的アプローチを逐次的に導入し、人間の意思決定者の選択を再分析する。 次に,リスク感度,すなわち時間的整合性,さらに重要な特性について考察し,CVaRの代替案を示す。
  論文  参考訳（メタデータ） (2021-11-12T16:27:47Z)
• Feedback Effects in Repeat-Use Criminal Risk Assessments [0.0]
  リスクは、単発テストで捉えられていない方法で、シーケンシャルな決定を伝達できることを示します。 リスクアセスメントツールは、非常に複雑でパスに依存したプロセスで動作し、歴史的な不平等が引き起こされる。
  論文  参考訳（メタデータ） (2020-11-28T06:40:05Z)
• Reliable Off-policy Evaluation for Reinforcement Learning [53.486680020852724]
  シーケンシャルな意思決定問題において、非政治評価は、目標政策の期待累積報酬を推定する。 本稿では、1つまたは複数のログデータを用いて、ロバストで楽観的な累積報酬推定を提供する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-08T23:16:19Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)

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。