Do psychological features distinguish those who sexually offend against different age groups from those who are stable in victim age?
Notice bibliographique
Résumé
Aim/Background Victim age polymorphism occurs when someone offends against victims that span multiple age groups (e.g., child and adult victims). There is a need to better understand the correlates of age polymorphism, as clinicians are often asked about risk of offending against victims who may differ from the index offence victim as part of their risk formulation. The present study examines several potential correlates of age polymorphism: psychopathy, sexual preoccupation, multiple paraphilias, psychosis, and substance use disorders. Materials/Method Analyses were conducted using secondary clinical assessment data from a provincial forensic sexual behaviour program. The sample included 387 men with two or more contact sexual offence victims. The assessment data in the archival database included comprehensive information about victim age, as well as standardized assessment measures and diagnostic/clinical impressions. Results There were no significant associations between age polymorphism and psychopathy, multiple paraphilias, sexual preoccupation, psychosis, and substance use disorders. The only significant difference that emerged was that men who offended against victims 16 or older had a higher mean score on a measure of drug misuse than those who offended against victims 6 to 11. Most of the analyses produced small effects. Conclusion Our findings did not identify significant correlates of age polymorphism when restricting analyses to those men who offended against two or more victims. We consider key methodological differences that may have impacted our findings, as well as the need for rigorously designed research to develop a comprehensive model of age polymorphism.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».