دانلود ترجمه مقاله جرایم خشن و غیرخشن در بیماران مبتلا به روان گسیختگی

1. مقدمه 2. روش ها 3. نتایج 4. بحث و بررسی

چکیده – اهداف: برای مدت طولانی، رابطه بین روان گسیختگی و جرایم خشن، موضوع تحقیقات بوده که اثر مهمی را بر سیاست سلامت روانی، روش و عملکرد بالینی و اِدراک عمومی از خطرناک بودن افراد مبتلا به اختلالات روانی، برجای گذاشته است. مطالعه حاضر، تلاش دارد تا عوامل تمایزبخش بین مجرمین خشن و و غیرخشن بر مبنای یک نمونه منحصر به فرد از 370 بیماران مجرم مبتلا به اختلال طیف روان گسیختگی در پزشکی قانونی، را با استفاده کردن از الگوریتم های یادگیری ماشین و مجموعه گسترده ای از متغیّرها، شناسایی کند. روش ها : با استفاده از الگوریتم های یادگیری ماشین، 519 متغیر بدقّت بررسی شد تا مجرمین خشن و غیرخشن از یکدیگر تفکیک گردند. برای اینکه ریسک بیش برازش به حدّاقل برسد، مجموعه داده تقسیم گردید، و فیلتر کردن متغیرها، مدل سازی و گزینش به کمک ماشین یادگیری نهفته در یک رویکرد بازنمونه گیری آشیانه ای، روی یک زیرمجموعه اعمال شد. سپس، بهترین مدل انتخاب گردید، و مهم ترین متغیرها، در مورد دومین زیرمجموعه داده، اعمال گردید. نتایج : دَه عامل در مورد پیشینه کیفری و روانپزشکی، و همچنین عوامل بالینی، رشدی، و اجتماعی، بعنوان اثرگذارترین عوامل برای تفکیک کردن مجرمین خشن و غیرخشن، شناسایی و با در نظر گرفتن تحقیقات قبلی درباره این موضوع، به بحث گرفته شد. درحالیکه سطح زیر نمودار 0.76، حساسیت 72% و ویژگی 62% بود، دسته بندی صحیح جرایم خشن و غیرخشن، تقریباً، در سه چهارم از موارد، قابل تعیین بود. نتیجه گیری: یافته های ما، تحقیقات فعلی درباره عوامل اثرگذار بر جرایم خشن بیماران مبتلا به اختلال طیف روان گسیختگی را گسترش می دهد، که برای ایجاد راهبردهای پیشگیرانه و درمانی که می تواند گسترش خشونت در این جمعیت را، به طور بالقوّه کاهش دهد، ضروری هستند. محدودیت ها، اهمیت بالینی و مسیرهای پژوهشی آتی، مورد بحث قرار گرفت.

Objectives: The link between schizophrenia and violent offending has long been the subject of research with significant impact on mental health policy, clinical practice and public perception of the dangerousness of people with psychiatric disorders. The present study attempts to identify factors that differentiate between violent and non-violent offenders based on a unique sample of 370 forensic offender patients with schizophrenia spectrum disorder by employing machine learning algorithms and an extensive set of variables. Methods: Using machine learning algorithms, 519 variables were explored in order to differentiate violent and non-violent offenders. To minimize the risk of overfitting, the dataset was split, employing variable filtering, machine learning model building and selection embedded in a nested resampling approach on one subset. The best model was then selected, and the most important variables applied on the second data subset. Results: Ten factors regarding criminal and psychiatric history as well as clinical, developmental, and social factors were identified to be most influential in differentiating between violent and non-violent offenders and are discussed in light of prior research on this topic. With an AUC of 0.76, a sensitivity of 72% and a specificity of 62%, a correct classification into violent and non-violent offences could be determined in almost three quarters of cases. Conclusions: Our findings expand current research on the factors influencing violent offending in patients with SSD, which is crucial for the development of preventive and therapeutic strategies that could potentially reduce the prevalence of violence in this population. Limitations, clinical relevance and future directions are discussed.