1、罪犯心理矫治统计技术新进展摘 要 本文对国外罪犯心理矫治领域中的新进统计技术做了一个较深入的考察和介绍，并强调了新发展出来的统计技术ROC 曲线和logistic 线性回归模型等对罪犯评估结论准确性的巨大借鉴和促进作用。关键词 罪犯心理矫治 ROC 曲线 logistic 线性回归模型 基金项目：中国政法大学 2011 年教学改革立项项目罪犯心理矫治案例课研究研究成果。 作者简介：郑红丽，中国政法大学社会学院。 中图分类号：D916 文献标识码：A 文章编号：1009-0592（2013）05-236-02 罪犯心理矫治课程是一门法学和心理学结合程度比较高的实操课程，也是一门学生走出校门以后可
2、能需要直接应用的课程。但是我国目前罪犯心理矫治课程中操作性内容缺乏，而且与国外新技术、新方法脱节严重。笔者拟将国外近年来在罪犯矫治领域的新近统计技术引入课堂，以期提高学生未来实务工作的操作性和有效性。 一、罪犯心理矫治评估结论的特殊性 一般来说，当今的罪犯心理矫治至少要达到以下目的：通过特定个体的早期行为先兆识别出犯罪可能性高的群体，获取预测性的信息并进而把这些信息应用在制定刑事司法的决策中，比如应用在判罪或释放的决策中。而正如 Andrews 和 Bonta （2003）所言，这种识别或预功能就是要得出统计的或精确的预测指数，以客观的证据为指导预测犯罪并选择相应的对策。所以，相关的统计分析技
3、术就显得尤为重要。但是，和一般的心理统计不一样是，罪犯心理矫治作出预测结论的过程更象医学上一个对“病人”作出“是否患病”的诊断过程。此外，随着认识水平的提高和统计技术的发展，人们已经意识到，对于罪犯再犯风险的预测“结论”不再只是简单地根据事先设定的“一个绝对的分界点（an arbitrary cut-off point） ”做出判断的过程，而是通过“风险决策”程序最终做出一个“诊断（Diagnosis） ”的过程。这一诊断结论实际上只有两种：高风险或低风险。而与之相对应的是，这名罪犯事实上也分属于两类人：未来出现再犯或者没有再犯。由此，我们可以得到以下的2X2 的列联表（contingency
4、 table） （表 1）： 表 1. 2X2 预测准确性表 由表 1 可知，当罪犯心理矫治评估人员针对一名罪犯作出了“高风险”或“低风险”的诊断结论以后，会出现 4 种情况：事实上的再犯被正确地诊断为高风险，即真阳性（true positive，TP） ；事实上没有再犯的被错误地诊断为高风险，即假阳性（false posivive， FP） ；事实上的再犯者被错误地诊断为低风险，即假阴性（false negative，FN） ；以及事实上没有再犯的被正确地诊断为低风险，即真阴性（true negative，TN） 。这样的数据形式是典型的信号检测论（Signal Detection Theo
5、ry，SDT）的研究对象。 二、信号检测论理论及 ROC 曲线的应用 信号检测论最早出现于雷达侦测领域，即借助于统计方法帮助雷达有效的区别雷达“信号”和“背景噪音” （Leshowitz， 1969） 。经过二战的强力促进，信号检测论及其相应的技术和方法得到了极大的完善和提升，并在战后逐步扩大到其它应用领域，如医药行业、非损伤性检测、信息检索、产品检验、调查研究，以及临床心理学等（Swets，1996） 。而近年来，研究者开始试着将信号检测论引入罪犯心理矫治领域（如Mossman， 1994； Ward & Dockerill， 1999；Grann， Belfrage & Tengstrom
6、， 2000； Andrews & Bonta，2003） 。 信号检测论的重要发现在于：人们在作出“肯定”或“否定”诊断时，实际上是包括 2 个过程：辨别（discrimination）和决策（decision） 。所以简单地使用总体准确率来表示罪犯风险评估结论的准确性并不是一个值得推崇的方法，应该寻求那些能同时反映辨别和决策水平的数据指标。这样的指标有多种，但目前国际上公认的，仍是 ROC这一指标的应用最为广泛（Arian，1998，宇传华，2000） 。所谓 ROC，其英文名为 Receiver Operating Characteristic Curve（接受者操作特征曲线） ，也有称
7、为 Relative Operating Characteristic Curve（相对操作特征曲线） ，都简称 ROC，具体见图 1。 图 1 任何决策标准（criterion）下，以 Hit Rate 为 Y 轴，以False Alarm Rate 为 X 轴的 ROC 曲线 Simpson 和 Fitter（1973）提出以“ROC 曲线下的面积（Area Under Curve，简称 AUC，记为 A）做为诊断准确性的指标” 。AUC 的取值范围在 0 至 1 之间，值越大表示诊断准确性或判断能力越好。宇传华（2002）认为 AUC 到达 0.9 以上时诊断价值较高，0.7-0.9 时
8、诊断价值中等，低于 0.7 时诊断价值则较低。例如图中ROC 曲线的 AUC 值为 0.67，其诊断准确性较差，不具有诊断价值。 三、目前的发展趋势 正是因为将信号检测论理论引入到罪犯心理矫治领域，使得我们对罪犯评估结论形成过程有了新的认识：随着人类认识水平和解决问题能力的提高，特别是统计技术的迅猛发展，罪犯评估技术不再是一个简单的临床诊断过程，而是一个引入了风险管理与机率的观念，利用强大的统计方法，做出最终诊断结论的决策行为。 首先，评估结论的做出不再是依靠个人主观经验做出，而是利用研究分析和统计方法，从庞大而纷繁的资料中筛选值得信赖的预测因子（预测变量，predictor variable
9、s） ，最终形成一个较为稳定和精确的诊断统计模型（statistical models） 。一般情况下，涉及诊断和预测的典型方程式为： response variable=g（predictor variables，parameters，random noise） 其中的反应变量（response variable）也是因变量 y，在罪犯评估中，y 只有两个值，是二分类别变量。y=1 如果表示评估结论为罪犯“高风险” ，则 y=0 则代表为“低风险” 。而预测变量（predictor variables）也是自变量 x，对于方程式 g 而言，目前我们一般将其假设为一个具有 k 个预测变量 x=
10、（x1，x2，x3，xk）的 logistic 线性回归模型（linear logistic regression models） ，所以这一模型可以表达为更典型的方程式： score（x）= 0+ 1x1+ 2x2+ 3x3+ kxk 通过对已有的资料或数据进行统计分析，或者对测谎专家测谎经验进行调查分析后，我们可以获得一些有在统计学上表现出来预测力较好的回归模型，例如 M4、M5，具体数据如表 2。 分别以这两个诊断模型为依据，进行罪犯风险评估，做出最后的诊断结论“高风险”或“低风险” 。然后对比最后事实上的再犯与否计算出相应的“击中率”和“虚报率” 。如此反复多次以后，就可以得到若干对“
11、击中率”和“虚报率”数据，并据此可绘制成两个诊断模型所分别对应的 ROC 曲线，结果如图 2。 表 2 注：因变量为 score（x） 将上述数据转化成具体的诊断线性回归模型分别为 M4：score （x）=3.8 +3.1x1+2.4x2+2.1x3+2.6x4+1.4x5； M5：score （x）=5.4 +4.3x1+2.7x2+2.2x3。 图 2 根据实际数据绘出的模型 M4 和 M5 所对应的 ROC 曲线 从图 2 中我们可以非常直观地知道诊断模型 M4（AUC=0.944）应是比诊断模型 M5（AUC=0.78）诊断准确性更高的诊断模型。Grove 等人对 136个相关研究进
12、行元分析发现.使用这类评估方法要优于传统的临床评估方法 （Grove et al， 2000） 。 参考文献： 1Andrews， D. A.， & Bonta， J. The psychology of criminal conduct， third edition. Cincinnati， OH： Anderson. 2003. 2Leshowitz B. Comparison of ROC curves from one and two interval rating scale procedures. The Journal of Acoustical Society of Ameri
13、ca.1969（46）. 3Swets， J. A. Signal detention theory and ROC analysis in psychology and diagnostics： Collected papers. Mahwah， NJ： Lawrence Erlbaum Association. 1996. 4宇传华. ROC 分析方法及其在医学研究中的应用. 中国优秀博硕士学位论文全文数据库 （博士）. 2000. 5Arian R van Erkel. Receiver operating characteristic （ROC） analysis： Basic pri
14、nciples and application in radiology. European Journal of radiology.1998（27）. 6Simpson， AJ， & Fitter， MJ. What is the best index of detectability？ Psychological Bulletin. 1973（80）. 7余松林主编. 医学统计学.人民卫生出版社. 2002. 8Grove， W.M.， Zald， D. H.， Lebow， B. S.， Snitz， B.E.， & Nelson， C. Clinical versus mechanical prediction： A meta-analysis. Psychological Assessment. 2000（12）.
