Identifying vulnerability to violence: the role of psychopathy and gender
Notice bibliographique
Résumé
Purpose Recent research has suggested that a heightened sensitivity to nonverbal cues may give individuals with psychopathic traits an advantage when selecting potential victims. The purpose of this paper is to examine the effect of gender on the association between psychopathy and perceptions of vulnerability to violent victimization. Design/methodology/approach A sample of 291 undergraduate students viewed a series of eight videos depicting individual female targets walking down a hallway from behind. Participants rated each target’s vulnerability to violent victimization and provided a justification for each rating. In addition to these ratings, participants completed the Self-Report Psychopathy Scale. Findings A series of hierarchical linear regressions revealed gender differences in the association between psychopathy and accuracy. Among male observers, total psychopathy scores, Factor 2 psychopathy scores, and scores on the antisocial behavior facet were positively associated with accuracy in perceiving vulnerability to violent victimization. Conversely, no associations were identified between psychopathy (total, Factors, and facets) and accuracy among female observers. This suggests that the adept ability to accurately perceive nonverbal cues signalling vulnerability is specific to males exhibiting psychopathic traits. Originality/value The results of the current study highlight the importance of distinguishing male and female psychopathy in research and practice. Moreover, with an understanding of individual differences in the ability to accurately perceive nonverbal cues associated with vulnerability, we may begin to develop intervention strategies aimed at reducing future incidences of victimization.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».