Child sexual exploitation material offenders, one‐size‐fits‐all for? Exploring tailored clinical dimensions based on cognitive and behavioural criminogenic factors
Notice bibliographique
Résumé
BACKGROUND: Interventions for individuals involved in sexual offending behaviours are likely to be more effective if adapted to focus on their specific characteristics, suggesting that men who engage in sexual offences against children over the Internet should be treated differently from those who have actual physical contact against children. AIMS: The goal of this study is to explore possible associations between the criminogenic cognitions and behaviours of men using online child sexual exploitation material (CSEM) and variables relevant to intervention. We hypothesised that antisocial tendencies, sexual, emotional and relational problems and self-regulation problems, as well as cognitive distortions would be associated with CSEM use. METHOD: Ninety-eight men who had been convicted of at least one online CSEM-related offence, but no child contact sexual offences, at any time between 2001 and 2020 were recruited in the province of Quebec (Canada). Cases were reviewed to identify cognitive and behavioural criminogenic factors according to a coding sheet developed after reference to prior literature. Variables were extracted from official criminal records, sexological and psychological reports, as well as investigative and forensic reports and interviews. Exploratory factor analysis was carried out to identify potentially relevant dimensions. RESULTS: Analysis confirmed five distinct factors which, together, accounted for 60% of the variance: dissocial traits, dysfunctional intimacy, passive alienation (internalised sense of alienation), normless alienation (social norms experienced as alien) and coping with threat. CONCLUSION: Because online CSEM-related offenders present heterogeneous risks and needs, a 'one-size-fits-all' intervention is unlikely to be optimal for most of them. Our findings suggest a way of classifying risks and needs to facilitate more focused interventions. Future research should evaluate the relative effectiveness of general interventions compared to those tailored towards the dimensions of risks and needs identified in this study.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 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 ».