MétaCan
Menu
Retour à la cohorte
Enregistrement W3166006306 · doi:10.4018/978-1-7998-6820-0.ch002

Optimizing Scenario-Based Training for Law Enforcement

2021· book-chapter· en· W3166006306 sur OpenAlexaff
Bryce Jenkins, Tori Semple, Jeff Quail, Craig Bennell

Notice bibliographique

RevueIGI Global eBooks · 2021
Typebook-chapter
Langueen
DomainePsychology
ThématiqueEducational Games and Gamification
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésLaw enforcementOfficerTask (project management)Process (computing)Training (meteorology)Service (business)EnforcementComputer scienceOrder (exchange)Field (mathematics)Process managementEngineeringEngineering managementKnowledge managementBusinessPolitical scienceLawSystems engineeringMarketing

Résumé

récupéré en direct d'OpenAlex

In order to optimize public and officer safety, law enforcement training needs to adequately prepare officers for the complex tasks they will experience in the field. The incorporation of carefully-designed scenario-based training (SBT) into pre- and in-service training is essential for the development of effective decision making during dynamic, potentially volatile interactions with the public. This chapter provides an overview of various frameworks that should be adopted when developing SBT before identifying some issues to consider throughout this process. Finally, this chapter provides practical examples of how the development process can be completed. Given the very challenging task that curriculum designers and police trainers have to develop skilled police officers, this chapter seeks to provide valuable guidance to those seeking to optimize limited resources to improve police training.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,888
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,073
Tête enseignante GPT0,336
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIGI Global eBooksMême sujetEducational Games and GamificationTravaux en français237 207