Policing political mega-events through ‘hard’ and ‘soft’ tactics: reflections on local and organisational tensions in public order policing
Notice bibliographique
Résumé
Public order policing has long been a central area of concern for policing political mega-events. Following the Toronto 2010 Group of 20 (G20) meeting, however, public order policing policy and practice attracted renewed attention that has had a considerable influence on subsequent political mega-events. The Toronto G20 involved up to 20,000 protesters, over 1000 arrests, and widespread criticisms against the Toronto Police Service and Royal Canadian Mounted Police regarding excessive use of force. Using the Brisbane 2014 G20 as a case study, this article reflects on the localised tensions involved in public order policing in the context of political mega-events. We look inside the operations of Brisbane 2014, which was heavily influenced by the events from Toronto 2010, to focus on the tensions that underpin public order policing tactics in the context of political mega-events and call attention to the significance of these tensions in shaping policing policy and practice. More particularly, we examine how tensions between competing perceptions of risk amongst security actors in relation to more formal preferred strategies and tactics to manage risk can shape various public order policing outcomes. We trace these local and organisational tensions as they relate to so-called ‘hard’ tactics such as intelligence operations and spatial containment strategies and ‘soft’ tactics such as negotiated management strategies and relationship building with protest groups.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,028 | 0,070 |
| Communication savante | 0,020 | 0,007 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».