MétaCan
Menu
Retour à la cohorte
Enregistrement W2630022672 · doi:10.1080/10439463.2017.1341509

Funnelling through foundations and crime stoppers: how public police create and span inter-organisational boundaries

2017· article· en· W2630022672 sur OpenAlexafffundabout
Randy K. Lippert, Kevin Walby

Notice bibliographique

RevuePolicing & Society · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePolicing Practices and Perceptions
Établissements canadiensUniversity of WinnipegUniversity of Windsor
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaCalgary Foundation
Mots-clésNegotiationBoundary (topology)Public relationsPolitical sciencePolice sciencePublic administrationBusinessCriminologyCriminal justiceSociologyLaw

Résumé

récupéré en direct d'OpenAlex

Public police require a reliable supply of resources to operate effectively, and police increasingly seek resources from private organisations and individuals. Since police departments are public bodies, they encounter boundaries in doing so. The key challenge for public police is how to access private resources for initiatives while seeming to avoid real or alleged influence from private entities providing them. This article examines policing across inter-organisational boundaries and boundary negotiation by investigating two kinds of private organisations – police foundations and Crime Stoppers organisations – operating in Canadian jurisdictions, and which reflect significant trends in public police practices. Both organisational models were established by public police in the United States in 1970s, have proliferated, and now commonly operate adjacent to – but not within – North American police departments. Both models, and especially how they connect, create distance from, and otherwise relate to public police, lend insight into how boundaries are maintained, negotiated, and spanned. Implications of these arrangements for future research and the public good are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,127
Score d'incertitude au seuil0,253

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,015
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,002
Études des sciences et des technologies0,0200,038
Communication savante0,0130,011
Science ouverte0,0020,014
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,135
Tête enseignante GPT0,396
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePolicing & SocietyMême sujetPolicing Practices and PerceptionsTravaux en français237 207