Intersectional Inequality: An Analysis of Police Culture in a Western Canadian City
Notice bibliographique
Résumé
Despite the plethora of research on police culture, few studies have examined police culture from an intersectional approach. To provide more intersectional research on police culture, I conducted 16 semi-structured interviews with women police officers from a police organization in Alberta to explore how they perceive and experience police culture. I find that women police officers witness and/or experience three types of workplace violence: physical violence; bullying, harassment, and intimidation; and lateral violence. Black women, Biracial (Indigenous/white) women, white women and LBGTQ2SIA+ white women report having to deescalate violent situations whenever police officers, predominantly men, commit acts of physical violence on members of the public. Black women, Biracial (Indigenous/white) women, white women and white LGBTQ2SIA+ women police officers reported experiencing various forms of bullying, harassment, and intimidation, including misogynoir, race, and gender-based harassment, sexual harassment, and homophobia. Women also report women partaking in lateral violence by competing and sabotaging other women to advance their career. I also found that anti-Indigenous racism, anti-Black racism, and xenophobia is major problem in police culture. Many examples of racism in police culture included police officers saying racist jokes on-duty and in the office; physically abusing, racially profiling, and harassing Indigenous peoples, including those experiencing homelessness; anti-Black racism in homicide investigations and officers shouting racist and xenophobic slurs at refugees. Although white women were more likely than women of colour to acknowledge systemic racism in policing, they often used colourblind interpretations to underestimate the existence of racism in police culture.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,005 | 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 ».