SMART on Social Problems: Lessons Learned from a Canadian Risk-Based Collaborative Intervention Model
Notice bibliographique
Résumé
Recent years have seen increasing recognition of the utility of multi-agency approaches to community safety and well-being. In Canada, a particular risk-driven collaborative intervention model has gained considerable traction among police organizations and community agencies alike. This model, known as a ‘Hub’, aims to identify and attend to cases of ‘acutely elevated risk (AER)’ of harm before incidents occur. The speed with which the model has been implemented in Canadian jurisdictions speaks to the level of interest, and the level of need more meaningful and efficient collaboration among human service providers (including police) to better use existing resources to serve vulnerable populations. To date, however, the literature on the situation table model in Canada has tended to focus on considerations in the post-implementation phase. We are not aware of any material designed to assist in navigating the multiple and complex considerations involved in the development and implementation of the Hub model. Our aim is therefore to assist police organizations in addressing relevant questions and considerations that arise at the ‘front end’ of the process, and that are generally not addressed in depth in the existing literature. To do so, we present a ‘case study’ of select lessons learned over the course of the recent design and implementation of the Surrey Mobilization and Resiliency Table, the 56th working Canadian Hub model, currently in operation in the city of Surrey, British Columbia.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,013 | 0,010 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».