Stop. Rewind. Replay.: Performance, police training and mental health crisis response
Notice bibliographique
Résumé
Can performance be the means by which a ‘Use of Force‘ paradigm in police training is decentralized? Footage of lethal force encounters between police and individuals in mental health crisis is ceaselessly in the news cycle, dispersing eyewitness accounts to millions who watch the endless replay of these incidents on social media. In the replay of these incidents, spectators observe with bewilderment the missed opportunities, the alternative courses of action that seem so apparent to the outside eye–all that could have been done differently. What if officers themselves could hit rewind and replay on the lethal force encounter with an individual in mental health crisis? Can performance be a vehicle for embodied replay and repetition that generates and makes tacit new forms of bodily knowledge? When performance is made the operative framework in police training, it can set the stage for scenarios that seem reassuringly familiar. But in its high-fidelity repetition of the familiar, performance can de-realize patterns of recognition, altering the course of entrained decision-making to make alternative pathways towards peaceful resolution conceivable, actionable and possible. In this article, Alvarez examines the methodological implications of a four-year research study she conceived in 2016 and initiated in 2017 in Toronto, Canada to design and measure the efficacy of a scenario-based training programme to improve police response to individuals in mental health crisis, with co-investigators Dr Yasmine Kandil (University of Victoria) and Dr Jennifer Lavoie (Wilfrid Laurier University), and a national team of theatre makers; people with lived experience of mental illness; experts in communication, anti-discrimination and cultural safety curriculum design; community advocates; forensic psychologists; clinicians; and police trainers. The training is grounded in the belief that the deceptively familiar hypotheticals of scenario-based training can unsettle sedimented habits, stigmas, and assumptions and naturalize ways of knowing premised on procedural justice.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».