‘No one wants to end up on YouTube’: sousveillance and ‘cop-baiting’ in Canadian policing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Citizen recordings of police-public encounters are increasingly surfacing on social media, especially those in which individuals intentionally create confrontational situations to provoke a desired response from police officers. The latter is a form of, what we term, cop-baiting, driven mainly by the ubiquitous sousveillance of police by citizens. Although the literature has explored how media can impact public perceptions of police and police legitimacy, little research has examined cop-baiting social media content specifically or the impacts of cop-baiting forms of sousveillance. The current study investigates police officers’ perspectives, concerns, and experiences of these phenomena while concurrently exploring the perceived consequences of these on officers and policing, representing a novel departure from previous work. To examine police sousveillance and cop-baiting, we draw on qualitative interviews with over sixty police officers from across Canada who have been involved in the policing of politically contentious events. Most notable among the findings were that officers reported a range of impacts of sousveillance and cop-baiting, including occupational stress, effects on families and loved ones, and professional and reputational implications. It was also uncovered that police sousveillance and cop-baiting could significantly undermine police legitimacy and public trust. The current study concludes with some final thoughts on the meaning of cop-baiting and the problematic nature of this activity, a future research agenda, and considerations for police and policymakers.
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.
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 | 0,001 | 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 | 0,001 | 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 découle