Using couple-level data to examine the relation between social information-processing and intimate partner violence among men and women in dating relationships
Notice bibliographique
Résumé
The aim of the current study was to use couple-level data to examine negative emotions and social information-processing (SIP) abilities as risk factors for intimate partner violence (IPV) among 100 dating couples (N = 200; mean age = 21.45 years). Crick and Dodge's (1994) SIP model was used as a guiding theoretical framework. Participants read a series of hypothetical conflict situation vignettes and responded to questionnaires to assess negative emotions and various facets of SIP including attributions for partner behaviour, generation of response alternatives, and response selection. The Revised Conflict Tactic Scales (CTS2; Straus, Hamby, Boney-McCoy, & Sugarman, 1996) were used to assess how often acts of physical aggression occurred in the preceding year. Bivariate correlations revealed negative emotions and SIP abilities were significantly intercorrelated. A series of negative binomial mixed-model regressions were conducted based on the actor-partner interdependence model (APIM; Kenny, Kashy, & Cook, 2006). Significant results emerged for the response generation and negative emotion models. Results suggested that participants who generated a lower number of coping response alternatives were at greater risk of victimization (actor effect). Women were at greater risk of victimization if they had partners who generated a lower number of coping response alternatives (sex by partner interaction effect). Generation of less competent coping response alternatives predicted greater risk of perpetration among men, whereas generation of more competent coping response alternatives predicted greater risk of victimization among women (sex by actor interaction effects). Finally, two significant actor by partner interaction effects emerged for the negative emotion models. Participants who reported similar levels of negative emotions as their partners were at lowest risk of perpetration, whereas participants who reported discrepant levels of negative emotions from their partners were at greatest risk of perpetration. Participants who reported low levels of negative emotions were at lowest risk of victimization regardless of their partner's emotions; however, participants who reported high levels of negative emotions were at greatest risk of victimization if they had partners who reported low levels of negative emotions. Results from the current study have implications for researchers and clinicians interested in addressing the problem of IPV.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».