Visualizing sexual assault: An exploration of the use of optical technologies in the medico-legal context
Notice bibliographique
Résumé
This article is an exploration of the visualization of sexual assault in the context of adult women. In investigating the production of visual evidence, we outline the evolution of the specialized knowledge of medico-legal experts and describe the optical technologies involved in medical forensic examinations. We theorize that the principles and practices characterizing medicine, science and the law are mirrored in the medico-legal response to sexual assault. More specifically, we suggest that the demand for visual proof underpins the positivist approach taken in the pursuit of legal truth and that the generation of such evidence is based on producing discrete and decontextualized empirical facts through what are perceived to be objective technologies. Drawing on interview and focus group data with 14 sexual assault nurse examiners (SANEs) in Ontario, Canada, we examine perceptions and experiences of the role of the visual in sexual assault. Certain of their comments appear to lend support to our theoretical assumptions, indicating a sense of the institutional overemphasis placed on physical damage to sexually assaulted women's bodies and the drive towards the increased technologization of visual evidence documentation. They also noted that physical injuries are frequently absent and that those observed through more refined tools of microvisualization such as colposcopes may be explained away as having resulted from either vigorous consensual sex or a "trivial" sexual assault. Concerns were expressed regarding the possibly problematic ways in which either the lack or particular nature of visual evidence may play out in the legal context. The process of documenting external and internal injuries created for some an uncomfortable sense of fragmenting and objectifying the bodies of those women they must simultaneously care for. We point to the need for further research to enhance our understanding of this issue.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,012 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».