An exploration of prevalence, variety, and frequency data to quantify online sexual activity experience
Notice bibliographique
Résumé
People use the Internet for a wide range of online sexual activities (OSA): behaviours that involve sexual content, topics, and stimuli. Yet, current OSA summary statistics provide little perspective on patterns of OSA experience because researchers have not compared multiple indicators of experience within the same sample. We explored the prevalence, variety, and frequency of young men and women's experience with three OSA subtypes: non-arousal (e.g., accessing sexual health information), solitary-arousal (e.g., viewing pornography), and partnered-arousal (e.g., sending sexually explicit messages). We examined patterns in experience with specific OSAs, subtypes of OSAs, OSAs overall, and differences related to gender across the lifetime and recently. Young adults (N=239) at a Canadian University completed a survey that included a new measure of 48 specific OSAs, representing the three subtypes. All participants reported at least one OSA experience in their lifetime (ranging 1–38). Although the prevalence and variety of experience was greater across the lifetime than recently, this difference was small and the pattern of results remained the same. Frequency of experience appeared greater for specific OSAs compared to OSA subtypes or overall. Frequency of specific OSAs were greater for the subgroup of participants who had engaged in the activity recently compared to the full sample. Significantly more men than women reported solitary-arousal OSA, and men reported greater variety and frequency of this subtype. This gender difference in prevalence and frequency only held for viewing sexually explicit pictures and videos online. We discuss implications for sexual scripts, researchers, clinicians, and educators.
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 | 0,002 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».