Impacts of Organisational, Role and Environmental Factors on Moral Injury amongst Police Investigators in Internet Child Abuse Teams
Notice bibliographique
Résumé
In the United Kingdom (UK), half of those police officers taking sickness leave in the last 5 years have done so because of mental health-related illness (Police Firearms Officer Association 2017). This situation is not confined to the UK. In the United States, more law enforcement officers have committed suicide than been killed in the line of duty in the last three consecutive years (Kamkar et al., 2019). Regular and repeated exposure to traumatic and critical events increase police officers’ susceptibility to mental health disorders, post-traumatic stress disorder (PTSD) depression and anxiety (Husain, 2014), and stress-induced diseases (Violanti et al., 2016a), with cases estimated to be at least four times higher than amongst the general population (Kates, 2008; Ombudsman Ontario, 2012). If left untreated, cumulative exposure to trauma leads to physiological stress-induced conditions which include; obesity, diabetes, higher rates of hypertension and raised cholesterol (Zimmerman, 2011), which combined, lead to rates of cardiovascular disease in police at 31.4% compared to 18.4% in the general population (Han, 2018). In addition, 40.4% of officers report a sleep disorder which effects their health, performance and safety (Garbarino, 2019). Viewed within the context of such individual mortality and morbidity, such mental and physical ill health adversely affects workplace performance, future career prospects (Heffren & Hausdorf 2016) and premature retirement (Collins and Gibbs 2003; Summerfield 2011), emphasising its importance as a focus for research.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».