Collective case formulation in situations of violent radicalization: A critical perspective in training
Notice bibliographique
Résumé
Case formulation is used in clinical training to weave together theoretical perspectives and support a shared plan of action. Although a cornerstone of clinical practice, critical social theorists have highlighted the risks of depoliticizing political struggles and of reifying and fixing subjects when using psychopathology and case formulation to address situations of injustice. In the field of violent radicalization, this risk is increased by the extreme affects evoked by terror in practitioners and in societies. This article explores the challenges of training clinicians in the field of violent radicalization. It does so by analyzing a Community of Practice (CoP) that was developed to support practitioners involved in this domain of practice in Quebec, Canada. Four focus groups with CoP participants and participant observation of nine CoP meetings were conducted. Thematic and narrative analyses were used to explore the training potential of the CoP and to identify the discursive processes and group dynamics associated with this modality. Results indicate that the diversity of professional perspectives and social positionalities in the group plays a central role in helping participants become aware of their biases and in developing more complex understandings of cases and of their social embedding. Results also suggest that the collective holding of risk is key to preserve practitioners' investment in patients involved with violent radicalization. The sensitive issue of partnership between health and social services and security agencies is also addressed. Results suggest that CoPs with strong leadership allow for experiential training to enhance clinical and critical thinking.
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 | 0,001 |
| 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) | 0,000 | 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 ».