Notice bibliographique
Résumé
Okay, we’re sold. But now what? (Question asked by a police chief) About 20 years ago, Lawrence Sherman (1998) wrote an article for the National Police Foundation in the USA that set out two important challenges: For police agencies: to participate in the creation and use of high-quality research to guide the development of evidence-based policy, programs and practices. For researchers: to craft scientific work that can be readily understood and used by police services. The rationale? To learn from what the combination of science and police expertise can tell us ‘works’ (and what doesn’t) in relation to various aspects of public policing, from reducing burglaries to deterring gun violence. Since Sherman’s famous challenge, we’ve seen the global growth of evidence-based policing (EBP) into a movement of sorts that has spawned four Societies of Evidence-Based Policing (in the UK, Canada, the USA, and Australia and New Zealand) numbering thousands of members. There are annual conferences, training seminars, books, articles, and various tools and resources to help the budding EBP practitioner. But so far, despite various attempts at laying out some general ideas and principles (see Martin, 2018), what no one has been willing to tackle is the dreaded question posed to us after nearly every presentation or training session we’ve led: ‘How do you actually do this stuff?’ In this book, we tackle this question in a practical, nuts and bolts sort of way, offering ideas and suggestions drawn from both our own research into embedding EBP and from the broader research literature.
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 | 0,000 | 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) | 0,001 | 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 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 ».