Biometrics and Policing: A Protocol for Multichannel Sensor Data Collection and Exploratory Analysis of Contextualized Psychophysiological Response During Law Enforcement Operations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Stress experienced by law enforcement officers is often extreme and is in many ways unique among professions. Although past research on officer stress is informative, it is limited, and most studies measure stress using self-report questionnaires or observational studies that have limited generalizability. We know of no research studies that have attempted to track direct physiological stress responses in high fidelity, especially within an operational police setting. The outcome of this project will have an impact on both practitioners and policing researchers. To do so, we will establish a capacity to obtain complex, multisensor data; process complex datasets; and establish the methods needed to conduct idiopathic clinical trials on behavioral interventions in similar contexts. OBJECTIVE: The objective of this pilot study is to demonstrate the practicality and utility of wrist-worn biometric sensor-based research in a law enforcement agency. METHODS: We will use nonprobability convenience-based sampling to recruit 2-3 participants from the police department in Durham, North Carolina, USA. RESULTS: Data collection was conducted in 2016. We will analyze data in early 2017 and disseminate our results via peer reviewed publications in late 2017. CONCLUSIONS: We developed the Biometrics & Policing Demonstration project to provide a proof of concept on collecting biometric data in a law enforcement setting. This effort will enable us to (1) address the regulatory approvals needed to collect data, including human participant considerations, (2) demonstrate the ability to use biometric tracking technology in a policing setting, (3) link biometric data to law enforcement data, and (4) explore project results for law enforcement policy and training.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle