The Judicious Judicial Dispositions Juggle: Characteristics of Police Interventions Involving People with a Mental Illness
Notice bibliographique
Résumé
OBJECTIVE: The number of police interventions with people presenting a mental health problem has been increasing during the past 30 years, and police services are becoming increasingly aware of the human resources and skills these interventions require. Our study addresses the characteristics explaining police time used and outcomes of interventions as police officers interact with people with mental illness. METHOD: Using a police service administrative database from a large Canadian city, and an identification algorithm method, police interventions with people with mental illness were identified on 3 randomly selected days in 1 year. A content analysis of intervention logs was carried out to identify characteristics of those interventions: the call initiator, the location, and the final outcome of the intervention. RESULTS: Interventions with people with mental illness represent a small proportion (3%; n = 272) of all police interventions (n = 8485). General linear models show that the type of outcome is the most important factor in estimating the time required by police interventions. Arrests and hospitalizations are the least time-efficient outcomes, consuming 2.0 and 3.2 times, respectively, more time than informal dispositions. A multiple correspondence analysis shows that police interventions can be depicted in 2 dimensions, representing their main roles concerning people with mental illness, namely, to ensure the public safety and to protect the most vulnerable citizens. The more these services are required, the more police time will be required. CONCLUSION: Education and partnerships between police services and mental health services are essential to a proper management of outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».