Promising practices for de-escalation and use-of-force training in the police setting: a narrative review
Notice bibliographique
Résumé
Purpose A narrative review of existing research literature was conducted to identify practices that are likely to improve the quality of de-escalation and use-of-force training for police officers. Design/methodology/approach Previous reviews of de-escalation and use-of-force training literature were examined to identify promising training practices, and more targeted literature searches of various databases were undertaken to learn more about the potential impact of each practice on a trainee's ability to learn, retain, and transfer their training. Semi-structured interviews with five subject matter experts were also conducted to assess the degree to which they believed the identified practices were relevant to de-escalation and use-of-force training, and would enhance the quality of such training. Findings Twenty practices emerged from the literature search. Each was deemed relevant and useful by the subject matter experts. These could be mapped on to four elements of training: (1) commitment to training (e.g. securing organizational support for training), (2) development of training (e.g. aligning training formats with learning objectives), (3) implementation of training (e.g. providing effective corrective feedback) and (4) evaluation and ongoing assessment of training (e.g. using multifaceted evaluation tools to monitor and modify training as necessary). Originality/value This review of training practices that may be relevant to de-escalation and use-of-force training is the broadest one conducted to date. The review should prompt more organized attempts to quantify the effectiveness of the training practices (e.g. through meta-analyses), and encourage more focused testing in a police training environment to determine their impact.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».