資料載入中.....
|
請使用永久網址來引用或連結此文件:
http://libir.tmu.edu.tw/handle/987654321/34193
|
| 題名: | 應用類神經網路系統建構妨害性自主罪受刑人再犯預測模型 |
| 作者: | 劉昌誠 |
| 貢獻者: | 醫學資訊研究所 |
| 日期: | 2010 |
| 上傳時間: | 2010-09-09 11:13:28 (UTC+8) |
| 摘要: | 我國的法律規定妨害性自主罪受刑人需接受專業鑒定，但卻缺乏「高再犯可能」的標準。本研究期待利用類神經網路預測模型，提供精神醫療人員進行司法鑒定時重要的決策支援，進而加強預測度、降低與實際的誤差，同時節省人力、財力。本研究以民國84及85年間自臺灣北部某監獄出監的552位個案，分別追蹤其自離開監獄至92年12月31日及93年12月31日止的妨害性自主罪再犯情形為樣本。分析相關性較高的22個再犯因子後，利用類神經網路建構預測模型，並與邏輯迴歸模型、RRASOR、MnSOST-R及Static-99的ROC曲線相比較以檢驗其預測能力。建構出的類神經網路模型擁有最大的ROC曲線之曲線下面積，和其他預測方法相比整體而言有較佳的預測能力。
In Taiwan, sexual offenders need to receive professional assessments before leaving the prison, but the lack of "high recidivism risk" standard is a serious problem. This study try to use artificial neural network model to provide an important reference to forensic psychiatric professionals, thereby strengthening the predict ability, reduce errors, and saving manpower and money. Participants of this study were 552 sexual offenders released from a prison in northern Taiwan in 1995 and 1996, and we follow all cases from the time of release to December 31, 2003 and 2004 separately. 22 risk predictors with statistic significance are selected to construct a artificial neural network (ANN) model for the sexual offender recidivism prediction. Then we examined the predict ability of the ANN model by receiver operating characteristic (ROC) analysis, and compare with the model constructed by logistic regression, RRASOR, MnSOST-R, and Static-99. The area under the ROC curve for ANN model is the biggest, after comparing with all prediction models, ANN model got better predict ability. |
| 關聯: | 56頁 |
| 描述: | 標題………………………………………………i
審定書……………………………………………ii
上網授權書………………………………………iii
誌謝……………………………………………… iv
目錄……………………………………………… v
表目錄…………………………………………… vii
圖目錄…………………………………………… viii
中文摘要………………………………………… ix
英文摘要………………………………………… x
第一章 緒論
1.1 研究動機及背景 ………………………… 1
1.2 研究目的 ………………………………… 2
第二章 文獻探討
2.1 妨害性自主的定義 ……………………… 3
2.2 妨害性自主的犯罪成因 ………………… 4
2.2.1 演化觀點 ……………………………… 4
2.2.2 生物化學觀點 ………………………… 4
2.2.3 心理動機觀點 ………………………… 5
2.2.4 社會學觀點 …………………………… 6
2.2.5 成癮理論 ……………………………… 6
2.2.6 統合論 ………………………………… 6
2.3 妨害性自主的再犯風險評估 …………… 7
2.3.1 再犯風險因子 ………………………… 7
2.3.2 妨害性自主再犯風險快速評估 ……… 10
2.3.3 明尼蘇達性罪犯篩選量表修訂版 …… 10
2.3.4 靜態－99量表 ………………………… 11
2.4 類神經網路 ……………………………… 12
2.4.1 類神經元 ……………………………… 12
2.4.2 類神經網路的基本架構 ……………… 13
2.4.3 類神經網路的運作 …………………… 15
2.4.4 類神經網路的特性 …………………… 15
2.4.5 類神經網路的應用 …………………… 15
第三章 研究材料與方法
3.1 研究假設 ………………………………… 17
3.2 研究樣本及來源 ………………………… 17
3.3 預測模型建構及評估 …………………… 19
3.3.1 選定預測因子 ………………………… 19
3.3.2 預測模型建構 ………………………… 21
3.3.3 模型的比較 …………………………… 21
第四章 結果及比較
4.1 類神經網路模型 ………………………… 22
4.2 邏輯迴歸模型 …………………………… 24
4.3 MnSOST-R ………………………………… 25
4.4 Static-99………………………………… 28
4.5 RRASOR …………………………………… 29
4.6 比較 ……………………………………… 31
第五章 討論及結論
5.1 研究結果討論 …………………………… 39
5.2 研究限制 ………………………………… 41
5.3 結論 ……………………………………… 41
5.4 未來研究方向及建議 …………………… 42
參考資料
中文文獻………………………………………… 43
英文文獻………………………………………… 44
電子資料………………………………………… 46
附錄
附錄一 個人史簿冊…………………………… 47
附錄二 性犯罪及治療輔導史簿冊…………… 51
中文文獻
[1]中華民國刑法。
[2]王進德（民95）。類神經網路與模糊控制理論入門與應用。 臺北市：全華。
[3]全般刑案、暴力犯罪及竊盜之發生數、破獲數、破獲率（99年警政統計資料）【資料檔】。台北市：內政部警政署。
[4]沈勝昂、謝文彥、丁耕原、翁萃芳、楊惠蘋（民97）。性侵害犯罪加害人再犯危險評估量表之建立：動態危險因素之探測。法務部委託研究報告（報告編號：HU960713）。
[5]周煌智(民88)。性犯罪者的神經心理危險因子(I)。行政院國家科學委員會專題研究成果報告（編號﹕NSC87-2418-H-280-002-Q13）。
[6]周煌智、文榮光（主編）（民95）。性侵害犯罪防治學：理論與臨床實務應用。臺北市：五南。
[7]性侵害加害人檔案資料管理及使用辦法。
[8]性侵害犯罪防治法。
[9]性侵害再犯之防治（王家駿等譯）（民90）。臺北市：五南。(原著出版年﹕1989年)
[10]林明傑、董子毅、蔡昇運、陳珍亮（民94）。台灣性罪犯靜態再犯危險評估量表(TSOSRAS)之建立及其外在效度之研究。亞洲家庭暴力與性侵害期刊，1(1)，49-110。
[11]陳炯旭、周孫元、李明儀、陳煥昭、梁順清（民94）。妨害性自主罪受刑人之再犯率以及再犯危險因子。九十三年度行政院衛生署所屬醫院研究發展計畫獎勵（計畫編號：93062）。
[12]陳若璋（民90）。性罪犯心理學：心理治療與評估。臺北市：張老師。
[13]黃健、溫瑞祥、黃永順、鄭安雄（民94）。性犯罪再犯風險預測因子的本質與應用。亞洲家庭暴力與性侵害期刊，1(1)，137-162。
[14]楊士隆(民88)。台灣地區強姦犯罪之成因與處遇對策之研究。行政院國家科學委員會專題研究成果報告（編號﹕NSC88-2414-H-194-010）。
[15]楊士隆、張清豐、林俊仁、吳雨潔（民93）。性侵害犯罪再犯率及危險因子之研究。內政部委託研究報告（報告編號：PG9303-0379）。
[16]葉怡成（民98）。類神經網路模式應用與實作（9 版）。 臺北市：儒林。
[17]電腦處理個人資料保護法。
[18]監獄行刑法。
[19]蘇木春、張孝德（民93）。類神經網路、模糊控制以及基因演算法則（3 版）。臺北市：全華。
英文文獻
[20]Epperson, D., Kaul, J., Huot, S., Goldman, R., & Alexander, W. (2003). Minnesota sex offender screening tool–revised (MnSOST-R) technical paper: Development, Validation, and Recommended Risk Level Cut Scores. Ames, Iowa: Iowa State University. [Online] available at http://www.psychology.iastate.edu/~dle/MnSOST-RManual12-22-2005.pdf
[21]Florio, T., Einfield, S. and Levy, F. (1994). Neural networks and psychiatry: candidate applications in clinical decision making. Australian and New Zealand Journal of Psychiatry, 28(4), 651-666.
[22]Hanson, K. (1997). The development of a brief actuarial risk scale for sexual offense recidivism. Ottawa, Canada: Department of the Solicitor General Canada. [Online] available at http://ww2.psepc-sppcc.gc.ca/publications/corrections/199704_e.pdf
[23]Hanson, K. And Bussi?re, T. (1996). Predictors of sexual offender recidivism: a meta-analysis. Ottawa, Canada: Department of the Solicitor General Canada. [Online] available at http://ww2.psepc-sppcc.gc.ca/publications/corrections/199604_e.pdf
[24]Hanson, K. and Harris, A. (2000). The sex offender need assessment rating (SONAR): a method for measuring change in risk levels. Ottawa, Canada: Department of the Solicitor General Canada. [Online] available at http://ww2.ps-sp.gc.ca/publications/corrections
/pdf/200001b_e.pdf
[25]Hanson, K. and Thornton, D. (1999). Static 99: improving actuarial risk assessments for sex offenders. Ottawa, Canada: Department of the Solicitor General Canada. [Online] available at http://ww2.psepc-sppcc.gc.ca/publications/corrections/199902_e.pdf
[26]Hanson, K., Morton, K., and Harris A. (2003). Sexual offender recidivism risk: what we know and what we need to know. Annals of the New York Academy of Sciences, 989, 154-166.
[27]Kafka, M. (2003). The monoamine hypothesis for the pathophysiology of paraphilic disorders: an update. Annals of the New York Academy of Sciences, 989, 86-94.
[28]Lin, C., Wang, Y., Chen, J., Liou, Y., Bai, Y., Lai, I., et al. (2008). Artificial neural network prediction of clozapine response with combined pharmacogenetic and clinical data. Computer methods and programs in biomedicine, 91, 91–99.
[29]Owens, D. and Sox, H. (2001). Probabilistic reasoning in medical decision-making. In E. Shortliffe and L. Perreault (Eds.), Medical informatics. New York: Springer
[30]Serreti, A., Olgiati, P., Liebman, M., Hu, H., Zhang, Y., Zanardi, R., et al. (2007). Clinical prediction of antidepressant response in mood disorder: linear multivariate vs. neural network models. Psychiatry Research, 152, 223-231.
[31]Studer , L., Reddon, J., and Siminoski, K. (1997). Serum testosterone in adult sex offenders: a comparison between aucassians and north american indians. Journal of Clinical Psychology, 53(4), 375-385.
[32]Studer, L., Aylwin, A., and Reddon, J. (2005). Testosterone, sexual offense recidivism, and treatment effect among adult male sex offenders. Sexual Abuse: A Journal of Research and Treatment, 17(2), 171-181.
[33]Ward, T. and Beech, A. (2006). An integrated theory of sexual offending. Aggression and Violent Behavior, 11, 44-63.
[34]Zou, Y., Shen, Y., Shu, L., Wang, Y., Feng, F., Xu, K., et al. (1996). Artificial neural network to assist psychiatric diagnosis. British Journal of Psychiatry , 169, 64-67.
電子資料
[35]An Introduction to Neural Networks (http://www.cs.stir.ac.uk/~lss/NNIntro/InvSlides.html)
[36]CSOM Publications (http://www.csom.org/pubs/pubs.html)
[37]Risk Assessment: Actuarial Instruments & Structured Clinical Guides (http://www.violence-risk.com/risk/instruments.htm)
[38]Static-99 Clearinghouse (http://www.static99.org/)
[39]Theories for Sexual Deviancy (http://www.angelfire.com/mi/collateral/page2.html) |
| 顯示於類別: | [醫學資訊研究所] 博碩士論文
|
在TMUIR中所有的資料項目都受到原著作權保護.
|
