Cocreating a programme to prevent injuries and improve performance in Australian Police Force recruits: a study protocol
Notice bibliographique
Résumé
A healthy police force is a key component of a well-functioning society, yet 1 in 20 law enforcement recruits drop out of the recruit training programme due to injury. This drop-out rate has substantial economic and workforce ramifications. In the Western Australia Police Force, one in five recruits suffers a musculoskeletal injury during the recruit training programme, causing time-loss from work. We will now identify the critical elements of an injury prevention intervention and investigate the needs, experiences and suggested solutions to address potential implementation challenges. Our objective is to co-create an intervention with content and context experts, specifically for Western Australia Police Force recruits, to reduce injury prevalence, incidence rates and burden. A mixed-method participatory action research approach will guide intervention cocreation. Phase 1 will include concept mapping and phase 2 will include focus groups. This research will develop an intervention that the Western Australia Police Force can deliver to reduce injury prevalence, incidence rates and burden among recruits. The effectiveness of the intervention in reducing injury burden, economic burden and implementation will be evaluated.
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 | 0,046 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,006 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,013 |
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 ».