Sexual Violence Perpetration and Victimization: Providing Prevalence Rates for Understudied Populations
Notice bibliographique
Résumé
Sexual violence research has been subjected to gender and heteronormative biases. It has been customary to focus on men as perpetrators and women as victims and to exclude sexual and gender minorities from protocols, which has led some demographic groups to be underrepresented. This article aimed to (1) provide prevalence rates for sexual violence perpetration and victimization in understudied populations, and (2) compare rates recorded by these understudied populations to a heterosexual men reference group for perpetration and a heterosexual women reference group for sexual victimization. A sample of 1796 individuals (age 16–83) representing diverse gender identities and sexual orientations completed modified, gender-inclusive versions of the Sexual Experiences Survey—Tactics first Perpetration and Victimization. Results indicate that (1) heterosexual men, transgender/nonbinary individuals, homosexual women, non-monosexual women, and homosexual men registered perpetration rates over 30%; (2) non-monosexual and heterosexual women recorded the highest rates of sexual victimization; (3) heterosexual men reported statistically higher rates of perpetration and lower rates of victimization than heterosexual women; (4) sexual and gender minorities reported perpetration rates that are statistically equivalent to heterosexual men and victimization rates that are statistically equivalent to heterosexual women; and (5) verbal coercion was the most commonly used strategy by all subgroups. Findings suggest the need for prevention programs to target perpetration by all genders and behaviors outside of the traditional rape script, for victims' resources to be welcoming of men and sexual and gender minorities, and for efforts to be made in research to limit gender and heteronormative biases.
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 | 0,001 | 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 ».