Developing Community Co-designed Scenario-Based Training for Police Mental Health Crisis Response: a Relational Policing Approach to De-escalation
Notice bibliographique
Résumé
Abstract Using the current empirical landscape of police responses to people in mental health crisis as a backdrop, this methods paper makes an argument for the central role of collaborative co-design and production by diverse community experts and stakeholders to build transformative specialized training for frontline officers. Subject matter experts (SMEs) from across key domains participated in focus groups and curriculum creation, with outputs being the co-development of a conceptual approach and an innovative experiential learning training program. Part 1 unpacks the team’s conceptual development of a relational policing approach . This humanized method is shaped by procedural justice, trauma-informed, person-centred, and cultural safety frameworks. Part 2 details the co-production of a novel problem-based training method for a police service in Southern Ontario, Canada. The program centres on the acquisition of core competencies related to relational policing, de-escalation, and mental health crisis response. The training was designed to bring learners through a spectrum of authentic crisis scenarios: from observer-participant scenarios informed by Forum Theatre methods and targeted SME feedback to a range of high-fidelity assessment simulations that test officers’ abilities to effectively communicate, de-escalate, and make decisions under stress. This program offers repeated opportunities for officers to practice alternative crisis management strategies in scenarios that might otherwise result in the use of force.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».