“I Know Correlation Doesn’t Prove Causation, but . . .”: Are We Jumping to Unfounded Conclusions About the Causes of Sexual Offending?
Notice bibliographique
Résumé
Identifying causes of sexual offending is the foundation of effective and efficient assessment, intervention, and policy aimed at reducing sexual offending. However, studies vary in methodological rigor and the inferences they support, and there are differences of opinion about the conclusions that can be drawn from ambiguous evidence. To explore how researchers in this area interpret the available empirical evidence, we asked authors of articles published in relevant specialized journals to identify (a) an important factor that may lead to sexual offending, (b) a study providing evidence of a relationship between that factor and sexual offending, and (c) the inferences supported by that study. Many participants seemed to endorse causal interpretations and conclusions that went beyond the methodological rigor of the study they identified. Our findings suggest that some researchers may not be adequately considering methodological issues when making inferences about the causes of sexual offending. Although it is difficult to conduct research in this area and all research designs can provide valuable information, sensitivity to the limits methodology places on inferences is important for the sake of accuracy and integrity, and to stimulate more informative research. We propose that increasing attention to methodology in the research community through better training and standards will advance scientific knowledge about the causes of sexual offending, and improve the effectiveness and efficiency of practice and policy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».