The Limits of Deadly Force Databases for Studying Lethal Force by Police
Notice bibliographique
Résumé
Although advocates have long been calling for comprehensive databases of deadly force by police, relatively little progress has been made. Given this, various bodies have stepped in to fill this gap (for example, the Canadian Broadcasting Corporation). While these efforts have been useful in providing the public with important information about fatal police shootings, existing databases are limited in various ways, especially when used for research purposes. For example, they exclude most police shootings and present a relatively small, non-random sample of situations where an officer discharges their firearm. Evidence suggests that fatal police shootings are not evenly distributed across jurisdictions, but the likelihood of mortality is explained by a range of factors, such as proximity to trauma centres, which leads to geographic variations in fatal shootings. Despite these types of limitations, researchers use these databases to study and make statements about police shootings, including how various reform efforts have influenced lethal force by police. The chapter discusses some of the limitations associated with existing deadly force databases and describes their implications for use-of-force research. Recommendations are presented for researchers who choose to use these sorts of databases for research. In the final section of the chapter, calls for a concerted effort to develop more comprehensive use-of-force databases and describes what they should include. Capturing all police shootings regardless of outcome, would provide a better understanding of the number of times officers discharge their firearm, and also minimize the impact of other limitations that characterize current deadly force databases.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».