Efterforskning av försvunna personer: Mot en kunskapsbaserad verksamhet: Polisens hantering av information och kunskap
Bibliographic record
Abstract
Denna rapport har skrivits inom ramen för det tvärvetenskapliga forskningsprogrammet ”Effektiv räddning på framtidens skadeplats” som fokuserar på komplexiteten i det framtida räddningssystemet, till exempel med avseende på resurser, teknik, metodutveckling och utvärdering. ”Effektiv räddning på framtidens skadeplats” är femårigt och finansieras gemensamt av Myndigheten för samhällsskydd och beredskap (MSB) och Linköpings universitet (LiU). Det bedrivs inom Centrum för forskning inom respons- och räddningssystem (CARER) som också är att samarbete mellan LiU och MSB. Efterforskning av försvunna personer (EFP) är polisens räddningstjänstuppgift. Varje år rapporteras ca 26 000 personer försvunna till polisen varav en fjärdedel gäller allvarliga och akuta försvinnanden som orsakar stort lidande, innebär höga kostnader och där några inte skulle överlevt om de inte återfunnits i tid. Denna rapport redogör för en delstudie i ett bredare pilotprojekt för att kartlägga verksamheten EFP. Rapporten gäller polisens hantering av information och kunskap i verksamheten och syftar till att peka på behov och ge förslag till utveckling för en långsiktig kunskapsbaserad verksamhet. Studien har utförts med kvalitativ innehållsanalys av bland annat intervjuer och dokumentstudier i flera steg. Studiens slutsatser pekar på centrala områden med behov av uppföljning och utveckling; 1) Verksamhetsuppföljning, styrning och utbildning, 2) digitalisering och digital integration, 3) EFP-metodens inriktning och olika inslag samt slutligen 4) statistik, jämförelser och samverkan med forskning för en kunskapsbaserad verksamhet. Inom digitalisering och digital integration pågår utvecklingsarbete. För samtliga områden ges förslag både för uppföljning och utveckling.
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 | 0.006 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.013 | 0.010 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.084 | 0.022 |
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".