Evidence for the effectiveness of police-based pre-booking diversion programs in decriminalizing mental illness: A systematic literature review
Notice bibliographique
Résumé
PURPOSE: People with mental illnesses are at a significantly greater risk of police arrest than the general population. This pattern of arrests has been associated with a phenomenon referred to as the criminalization of mental illness such that people with mental illnesses are inappropriately diverted to the criminal justice system rather than to treatment. To decrease arrests of people with mental illnesses experiencing a crisis, pre-booking diversion programs have been developed to intervene at the point of police contact. This systematic literature review examines the state of knowledge regarding the effectiveness of police-based pre-booking diversion programs by addressing the question, "What is the evidence for the effectiveness of police-based pre-booking diversion programs in reducing arrests (i.e., reducing criminalization) of people with mental illnesses?" METHODS: Systematic literature searches of seven databases were performed during May 2017. The searches sought to identify studies that examined the effectiveness of pre-booking diversion programs in decreasing arrests. A multi-phase screening process was completed independently by two pairs of reviewers as well as a risk of bias review. RESULTS: A total of 2,750 unique citations were identified. Of these, 4 met the inclusion/exclusion criteria; all were from the US. Three of the studies examined the effectiveness of Crisis Intervention Teams and one study looked at a mobile crisis program. Two of the studies were at moderate risk of bias and two at high risk. CONCLUSIONS: This review indicates that this line of inquiry is still developing. There are a number of gaps yet to be filled. The current evidence for the effectiveness of police-based pre-booking diversion programs in reducing arrests (i.e., reducing criminalization) of people with mental illnesses is limited. However, these studies indicate there is moderate evidence that these programs increase linkages to mental health services.
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 | 0,025 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,009 |
| Bibliométrie | 0,020 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».