Transitioning from pandemic to normalcy: what police departments can learn from the rank-and-file
Notice bibliographique
Résumé
Purpose After more than 18 months of life during a pandemic, much of the world is beginning to transition back to some semblance of normalcy. As that happens, institutions – including policing – need to acknowledge changes that had been made during the pandemic and decide what modifications and innovations, if any, to continue moving forward. Design/methodology/approach The authors use semi-structured interviews and focus groups of police personnel in the United States (US) and Canada. The sample includes police officers and frontline supervisors ( n = 20). The authors conduct qualitative analysis using deductive and inductive coding schemes. Findings The sample identified four areas of adaptation during the pandemic: 1) safety measures, 2) personnel reallocation, 3) impacts on training and 4) innovation and role adjustments. These areas of adaptation prompted several recommendations for transitioning police agencies out of the pandemic. Originality/value A growing number of studies are addressing police responses to the pandemic. Virtually all are quantitative in nature, including all studies investigating the perceptions of police personnel. The body of perceptual studies is extraordinarily small and primarily focuses on police executives, ignoring the views of the rank-and-file who are doing the work of street-level police business. This is the first study to delve into the perceptions of this group, and does so using a qualitative approach that permits a richer understanding of the nuances of perception.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».