A drug addict, a model and an engineer walk into a bar: Victim dehumanization and violations of sexual consent.
Notice bibliographique
Résumé
The amount of humanness that we ascribe to others is influenced by a variety of factors, including demographic variables and other personal level information such as their social class, age and cognitive capabilities. Humanization has been shown to influence the severity of our reactions to violence directed at others and influence our judgements of the violator’s thoughts, motives and actions as well as victim responsibility and deservingness to be protected (Bastian et al. 2011). Within the context of sexual encounters, we also form impressions of the people involved, where the humanness ascribed to each person could affect perceptions of the encounters. Participants read two stories describing non-consensual sexual encounters. Two male characters were created, one for each story. Eight female character profiles encompassing a range of victim profiles that varied in age, occupation, social classes and other demographics were created. These profiles were also manipulated in a particular way to encourage a more or less humanized impression. Female profiles were crossed with each story, and participants saw both males and two of the females. Participants then responded to a set of open- and close-ended questions which assessed the agreement with a set of statements to determine their perceived level of consensuality of the interaction, moral outrage by the male’s violation, severity of legal wrongness, and severity of punishment deserved for the actions read about. This presentation will discuss how victim variables and our construal of them, including age, occupation, perceived coldness and intelligence, influence reactions to non-consensual sexual encounters. Faculty Mentor: Aimee Skye Department: Psychology (Honours)
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».