‘No one wants to end up on YouTube’: sousveillance and ‘cop-baiting’ in Canadian policing
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.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,017 | 0,007 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».