Measuring disparities in police use of force and injury among persons with serious mental illness
Notice bibliographique
Résumé
OBJECTIVES: To measure disparities in experience of police use of force and injury among persons with serious mental illnesses. METHODS: We gathered novel police use of force and suspect injury data from 2011 to 2017 from a nonrandom sample of nine police departments in the United States and used synthetic methods to estimate the share of the local population with serious mental illness. We estimate disparities using multi-level models estimated in a Bayesian framework. RESULTS: Persons with serious mental illness constitute 17.0% of use of force cases (SD = 5.8) and 20.2% of suspects injured in police interaction (SD = 9.0) in sample cities. The risk that persons with serious mental illness will experience police use of force is 11.6 times higher (95% CI, 10.7-12.6) than persons without serious mental illness. Persons with serious mental illness are also at a higher risk of experiencing injury, 10.7 times (95% CI, 9.6-11.8), relative to persons without serious mental illness. These relative risk ratios are several times larger than racial and ethnic disparities estimated in the same cities. CONCLUSION: Persons with serious mental are at a significantly elevated risk of experiencing police use of force and injury in police encounters than the general public. The disparities we estimate are several times higher than racial/ethnic disparities in force and injury. Efforts to reform police practices and reimagine public safety in the United States should address significant disparities in police use of force against those with serious mental illness.
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 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».