Sex Differences in the Classification of Conduct Problems: Implications for Treatment
Notice bibliographique
Résumé
Abstract Purpose Conduct problem behaviors are highly heterogeneous symptom clusters, creating many challenges in investigating etiology and planning treatment. The aim of this study was to first identify distinct subgroups of males and females with conduct problems using a data driven approach and, secondly, to investigate whether these subgroups differed in treatment outcome after an evidence-based crime prevention program. Methods We used a latent class analysis (LCA) in Mplus` to classify 517 males and 354 females (age 6–11) into classes based on the presence of conduct disorder or oppositional defiance disorder items from the Child Behavior Checklist. All children were then enlisted into the 13-week group core component (children and parent groups) of the program Stop Now And Plan (SNAP®), a cognitive-behavioral, trauma-informed, and gender-specific program that teaches children (and their caregivers) emotion-regulation, self-control, and problem-solving skills. Results The LCA revealed four classes for males, which separated into (1) “rule-breaking,” (2) “aggressive,” (3) “mild,” and (4) “severe” conduct problems. While all four groups showed a significant improvement following the SNAP program, they differed in the type and magnitude of their improvements. For females, we observed two classes of conduct problems that were largely distinguishable based on severity of conduct problems. Participants in both female groups significantly improved with treatment, but did not differ in the type or magnitude of improvement. Conclusion This study presents novel findings of sex differences in clustering of conduct problems and adds to the discussion of how to target treatment for individuals presenting with a variety of different problem behaviors.
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 | 0,000 | 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 | 0,000 | 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 ».