Policing without a badge: a scoping review of civilian personnel experience and impact in law enforcement agencies
Notice bibliographique
Résumé
Purpose This study reviews 25 years of scientific literature on civilian personnel in law enforcement agencies, examining their experiences and impacts on policing activities while mapping knowledge gaps. Design/methodology/approach It draws on a scoping review of sixty peer-reviewed studies analyzed through both AI-assisted and manual methods to examine the methodological characteristics of existing research and provide a thematic analysis of findings and practical recommendations across key areas. Findings Results reveal five key themes: police-civilian integration, personnel policies, well-being, policing impact and diversity. Despite significant expansion of civilianization, integration faces challenges from police culture, employment conditions and training gaps. Civilian staff experience comparable or higher stress levels than officers. Though promoted for cost-effectiveness, enhanced capabilities and potential to increase diversity, civilianization’s impact on policing remains unclear. Practical implications Recommendations identified through the scoping review include improving civilian training, enhancing recognition of civilian roles, reforming personnel policies, and fostering collaboration between sworn and civilian staff to maximize their contributions to policing. Social implications Addressing workplace inequalities and ensuring the psychological well-being of civilian staff are critical to achieving these goals, if any upsides are to be registered. Originality/value This is the first systematic scoping review to consolidate research on police civilianization, offering a comprehensive overview of civilian experiences and contributions to law enforcement.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».