Policing, Lethal Force, and the Struggle for Equal Treatment: The Doug Purvis Memorial Lecture
Bibliographic record
Abstract
La présente allocution, la conférence à la mémoire de Doug Purvis, présentée en juin 2022 à l’occasion du 56e congrès annuel de l’Association canadienne d’économie, se penche sur l’évolution de l’utilisation de la force mortelle au cours du siècle dernier et les vagues de protestation en réponse à cette violence. Elle se concentre en particulier sur les facteurs de causalité sous-jacents à l’augmentation rapide du nombre de décès de civils dans les années 1960-1970 et après 2008. S’agissant de la première période, les principaux facteurs de causalité sont la négociation collective, la militarisation et probablement le rôle croissant du gouvernement fédéral dans l’application de la loi, alors que l’augmentation de la diversité contribue à atténuer ces facteurs. En ce qui concerne le pic de violence policière après 2008, cette contribution analyse les causes potentielles, en particulier la militarisation, l’engagement civil croissant et la polarisation, ainsi qu’un large éventail de politiques d’atténuation. En ce qui a trait au rôle des protestations, les soulèvements contre la violence policière dans les années 1960 et 1970 ont entraîné des coûts communautaires importants, une diminution du soutien politique à la réforme de la police et une augmentation des niveaux de violence policière à l’encontre des civils. En revanche, les manifestations du mouvement « Black Lives Matter » d’aujourd’hui conservent un appui solide du public et entraînent une baisse significative de l’utilisation de la force mortelle. Cette allocution se termine par une discussion sur les options politiques et les recommandations à l’intention des gouvernements, des services de police et des manifestants dans le but de réduire l’utilisation de la force létale aux États-Unis et au Canada.
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 | 0.007 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.014 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.005 | 0.011 |
| Insufficient payload (model declined to judge) | 0.007 | 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".