Associations Between Pornography Use Frequency, Pornography Use Motivations, and Sexual Wellbeing in Couples
Notice bibliographique
Résumé
Pornography use is prevalent, even among partnered individuals. Although pornography use motivations represent key predictors of sexual behaviors, prior studies only assessed the associations between pornography use frequency and sexual wellbeing, with mixed results. This cross-sectional dyadic study examined the associations between partners’ individual and partnered pornography use frequency, motivations, and sexual wellbeing. Self-report data from 265 couples (Mage_men = 31.49 years, SD = 8.26; Mage_women = 29.36 years, SD = 6.74) were analyzed using an actor-partner interdependence model. Men’s greater emotional avoidance motivation was related to their own lower sexual function (β = −.24, p = .004) and greater sexual distress (β = .19, p = .012), while their higher sexual curiosity motivation was related to higher partnered sexual frequency (β = .15, p = .031), their own greater sexual satisfaction (β = .13, p = .022), sexual function (β = .16, p = .009), and lower sexual distress (β = −.13, p = .043). Women’s higher partnered pornography use frequency was associated with their own greater sexual function (β = .15, p = .034) and lower sexual distress (β = −.14, p = .012). Additionally, women’s higher individual pornography use frequency (β = .33, p < .001) and lower sexual pleasure motivation (β = −.35, p = .002) were associated with higher partnered sexual frequency. No partner effects were observed. Findings highlight that women’s pornography use frequency and each partner’s motivations might play crucial roles in couples’ sexual wellbeing.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,002 |
| 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 ».