Interventions policières auprès des personnes dont l’état mental est perturbé
Bibliographic record
Abstract
L’objectif de cette contribution est de dresser le script de l’intervention policière auprès des personnes dont l’état mental est perturbé (PEMP) afin de cerner les éléments qui mènent à l’usage de la force. La consultation de 130 dossiers policiers a permis de reconstituer les étapes centrales de ces interventions. Le script se divise en cinq étapes : 1) recevoir l’appel de service et dépêcher les policiers sur les lieux ; 2) arriver sur les lieux ; 3) évaluer la PEMP ; 4) intervenir auprès de la PEMP ; et 5) prendre en charge la PEMP. Dès l’arrivée sur les lieux, la présence de personnes en danger précipite souvent l’emploi de la force par les policiers tandis que la présence d’un tiers ayant une bonne relation avec la PEMP prévient régulièrement le recours à la force. Les résultats montrent également que l’usage de la force est le résultat d’échanges entre le policier et la PEMP. L’emploi de stratégies de communication coercitives par les policiers diminue la collaboration de la PEMP et, par la suite, les policiers sont plus susceptibles d’employer la force. Enfin, les résultats laissent supposer qu’une théorie sur l’usage de la force a avantage à intégrer les facteurs immédiats incluant les échanges entre le policier et la personne interpellée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".