Understanding Forced Marriage in the United States: Developing Measures, Examining its Nature, and Assessing Gender Disparities
Notice bibliographique
Résumé
In Western European countries and Canada, an emerging scholarly literature has helped inform awareness and prevention efforts and justice system responses to address forced marriages. But, little is known about this issue in the United States. The present study, the first large scale examination of forced marriage prevalence in the United States, surveys a national sample of Internet users over 18 years of age. Using a Google Consumer Survey platform, this exploratory study seeks to estimate prevalence of and gender disparities in forced marriages for this sample; examine conditions and circumstances associated with forced marriage; develop adequate measurement tools to identify individuals who have faced forced marriage; and better understand how and to what extent those experiencing forced marriage face psychological abuse from intimate partners and access victim services. Contrary to the experiences of legal and social service providers, findings indicate that more men than women reported forced marriage experiences. The discrepancy between this finding and prior research underscores the need to further develop survey measures and reconsider closed-ended, web-based survey screener questions such as the one used to identify respondents experiencing forced marriage in this study. These considerations may help identify victims with better precision and locate the underlying causes of gender disparities in forced marriage. In addition, many respondents reported entering forced marriages while facing concerns over their own or their family's reputation and threats of harm (to themselves or self-harm of a family member).A majority of respondents also reported experiencing psychological intimate partner violence and seeking help, particularly from law enforcement and for medical assistance. This large overlap between forced marriage and psychological intimate partner violence, as well as between forced marriage and seeking help from law enforcement and medical assistance providers, indicates that service provision needs are notably acute for this population..
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».