Assessing cross-national differences in police officers' domestic violence attitudes
Notice bibliographique
Résumé
Purpose Comparative research provides a mechanism to understand how justice systems throughout the world operate. McPhedran et al. (2017) conducted a comparative examination of police officer attitudes about domestic violence (DV) in the USA and Australia and reported fairly high levels of agreement among male and female officers within each country. The current study builds on these findings by examining officer attitudes toward DV among male and female officers cross-nationally. This was accomplished by examining whether American and Australian male and female officers agree with one another on a number of DV issues. Design/methodology/approach Two-way ANOVA was used to examine the effect of two factors (gender and country) on law enforcement officer attitudes about DV. Findings The results suggest that male and female officers from the USA and Australia significantly differ on 14 of 24 attitudes about DV with the greatest number of attitudinal differences found between American and Australian male officers. Research limitations/implications Scholars who conduct future research examining police officer attitudes about DV should use the instrument from this study as a springboard to develop an updated survey in terms of content and one that would be applicable to cross-national analyses. Methodological study limitations are described in depth in McPhedran et al. (2017). Originality/value While gender differences in attitudes have received scholarly attention, questions remain regarding the degree to which attitudes align among male and female officers across different countries. The current study seeks to fill these gaps in knowledge by examining attitudes about DV between American and Australian law enforcement officers.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 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 ».