Masculinity Contest Cultures in Policing Organizations and Recommendations for Training Interventions
Notice bibliographique
Résumé
Abstract In the wake of the #BlackLivesMatter and #MeToo movements, police conduct has been increasingly scrutinized by the public, especially the use of excessive force, fatal shootings of unarmed civilians, and sexual harassment scandals within policing organizations. Through a review of the policing literature and data collected in a Canadian policing organization, we highlight how masculinity contest culture is related to police misconduct. All four masculinity contest culture dimensions can be observed in policing including: (1) “show no weakness,” (2) “strength and stamina,” (3) “put work first,” and (4) “dog‐eat‐dog.” Masculinity contest cultures lead to negative outcomes for both individual officers (e.g., harassment, discrimination, stress), policing organizations (e.g., lawsuits, turnover), and communities (e.g., officers’ use of excessive force). Training interventions are often suggested to prevent or remedy the negative effects of masculinity contest cultures in policing organizations. However, a review of the training literature suggests that training interventions are unlikely to be effective in contexts where organizational norms are at odds with the training content. Our analysis of police data, along with the literature review, conclude with a paradox—the very organizations that need training interventions the most (e.g., policing organizations that often promote and tolerate sexual harassment) are the least likely to benefit from those interventions. To address this paradox, we invoke the theory of social interactionism and reconceptualize training as an organizational sensegiving mechanism. This theoretical foundation offers new directions for future research on training in masculinity contest cultures and insights for practicing police administrators and public policy officials.
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 | 0,028 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,003 |
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 ».