Notice bibliographique
Résumé
Understanding the profiles of sexual offenders, such as the presence of psychopathic traits, is key to preventing future sexual crimes. The self-report psychopathy-III (SRP-III) is a tool used to assess the characteristics of psychopathy, but improvements on its interpretation are required to maximize its precision. The SRP-III can be interpreted by examining the scores on each of the four facets (interpersonal manipulation, callous affect, erratic lifestyle, antisocial behavior), on each of two factors (factor 1, factor 2), or by examining the total score. Here, we investigate the interpretation of the results from the SRP-III using these three approaches of analysis of the data for predicting types of sexual crimes, sexually deviant preferences (measured via PPG), and the validity of the sexual deviance results. Logistic regressions were carried out using either the four facets, two factors, or the total score of the SRP-III. Data were previously obtained from 198 Canadian men who were convicted of, or who admitted to committing, at least one sexual crime, or who reported experiencing sexually deviant fantasies. We also examined the point-biserial correlations between each of the methods of interpreting the SRP-III results and each of the dependent variables. We find that SRP-III facet scores most precisely predict types of sexual crimes, sexually deviant preferences, and sexual deviance index validity, followed by SRP-III factor scores, and lastly SRP-III total scores. Additionally, significant correlations are only found between SRP-III scores and one dependent variable. Potential reasons for this are discussed. Based on these findings, we recommend that future studies consider facet and factor scores in addition to the standard practice of examining total scores.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».