THE DRUG RECOGNITION EXPERT POLICE OFFICER: A RESPONSE TO DRUG-IMPAIRED DRIVING
Notice bibliographique
Résumé
Law enforcement agencies in thirty-four United States and British Columbia, Canada rely on Drug Recognition Expert (DRE) officers to apprehend the drug-impaired driver. DREs utilize a systematic and standardized twelve-step procedure to reach three determinations: (1) that the driver is impaired; (2) that the driver is impaired by drugs, rather than suffering from a medical condition that requires intervention; and (3) the category of drug(s) that is causing the impairment. The admissibility of DRE opinion testimony, usually in conjunction with corroborative toxicological analysis, has been upheld in many courts throughout the U.S. The seven DRE drug categories are not based on shared chemical structures, legality, or use if any in treatment of illness or disease. Rather, the categories are based on shared patterns of signs and symptoms. The categories used by DREs are Central Nervous System (CNS) Depressants, Inhalants, Phencyclidine, Cannabis, CNS Stimulants, Hallucinogens, and Narcotic Analgesics. The prevalence of poly-drug use complicates the DRE determinations. This paper provides an overview of the DRE procedures, DRE drug categories, and the DRE training program. For the covering abstract see ITRD E106992.
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 | 0,004 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».