Notice bibliographique
Résumé
While it might seem that mid-sized agencies typically have greater resources than smaller services, this doesn’t mean they always know where those resources are, or how to best make use of them when it comes to implementing evidence-based policing (EBP). This reality is often reflected in the fact that many larger police services, despite having trained research staff, pracademics, and/or other resources to hand, do not appropriately target problems or test or track new initiatives (Slothower et al, 2015). To illustrate: a recent survey on receptivity EBP approaches by mid-sized Canadian police services found ‘mixed views were expressed by respondents in relation to their agency’s ability to target high priority policing problems and to test strategies for fixing these problems … [and] views were overwhelmingly negative when respondents reflected on how well they thought their agencies track the effectiveness of strategies over time’ (Huey et al, 2017: 544). In this chapter, we focus on identifying existing and potential resources that mid-sized agencies can draw on to implement EBP practices and maximize research creation and use. We also present successful strategies and practices that have been used by police agencies across the globe, and discuss the strengths and limitations of those approaches given resource, workload, funding, and other issues. We explain where challenges might lie for the mid-sized agency, as well as some ideas for surmounting obstacles. And, as in other chapters, we draw on the relevant literature, our own experiences, and the experiences of police officers who are working within the EBP domain, to present some old and some new ideas for implementing different EBP strategies.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,118 | 0,021 |
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 ».