Are Police-Led Social Crime Prevention Initiatives Effective? A Process and Outcome Evaluation of a UK Youth Intervention
Notice bibliographique
Résumé
Police-led interventions with “at-risk” young people raise a number of debates around policing in society including the allocation of resources at a time of fiscal austerity, the extent to which the police should prioritize the safety and well-being of young people, and the role that the police should take in preventing youth crime. This article explores the impact and effectiveness of a police-led social crime prevention initiative in England. It adopts the QUALIPREV approach by Rummens, Hardyns,Vander Laenen, and Pauwels on behalf of the European Crime Prevention Network to analyze the data allowing for a detailed and replicable analysis of core aspects including police engagement, risk management, offending rates, and police–community relations. Drawing on comparisons between the UK case study and previous studies on police-led social crime prevention projects in Australia and Canada, this article identifies a number of common challenges for schemes of this nature including problems with multiagency working, developing a clear project identity, unequal resources across different locations, and the difficulty in recruiting and retaining volunteers. However, there were also significant benefits to such schemes, including positive impacts on offending rates, engagement of at-risk young people, and wider benefits to the communities within which the young people live, including participation, volunteering, and reduction in risks of community harm. A cost–benefit analysis also shows such schemes have the potential to offer significant savings to the criminal justice system as a whole.
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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 tête enseignante, 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 ».