Benefits and Drawbacks of Police Integration Into Assertive Community Treatment Teams
Notice bibliographique
Résumé
OBJECTIVE: Assertive community treatment (ACT) teams provide outreach services to individuals coping with severe mental illness. Because such individuals are at increased risk for involvement with law enforcement, a model that integrates police officers into ACT teams (ACT-PI) was developed for ACT teams serving clients with or without forensic involvement. The goal of this study, conducted in British Columbia, was to evaluate the benefits and drawbacks of the ACT-PI model. METHODS: Qualitative semistructured interviews were conducted with 21 ACT-PI clients (in 2017) and 22 ACT-PI staff (in 2018). Thematic analyses identified key themes related to the benefits and drawbacks of officer integration into the ACT-PI model. RESULTS: Perceived benefits of police integration were opportunities for relationship building between officers and clients, improved safety, more holistic care due to embeddedness (i.e., effective interagency collaboration between police and health care providers), the prevention of future problems, and police officers' authority enhancing compliance. Perceived drawbacks included risk for legal consequences, stigma from police interaction, escalating distress of clients, low officer availability, and the risk for changing the nature of ACT teams. CONCLUSIONS: Participants reported that the model of officer integration into ACT-PI teams may improve both client and staff well-being. In some communities, and with certain precautions, ACT-PI may be a viable model for ACT teams serving clients with and clients without a history of forensic involvement.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».