Patterns of Violence Victimization and Disclosure Among Transgender/Gender Nonconforming and Cisgender Latinx College Students
Notice bibliographique
Résumé
Although research on sexual violence experiences of minoritized college students has increased in recent years, little is known about the experiences of Latinx students. Even less knowledge is available on whether such violence and disclosure experiences vary by gender identity. The present study addressed this gap by exploring the rates of sexual violence and disclosure patterns after experiences of sexual violence among Latinx college students. Using data from the 2019–2020 Healthy Minds Study, a national sample of Latinx college students was analyzed ( n = 6,690). Descriptive statistics, χ 2 tests, and one-way analyses of variance were conducted to explore differences in gender identity, sexual violence victimization, and disclosure type. Multiple logistic regression analyses were used to estimate the association between (1) gender identity and sexual violence victimization and (2) gender identity and sexual violence disclosure while controlling for various sociodemographic measures. Results indicated sexual violence victimization occurred at significantly higher rates among transgender/gender nonconforming and cisgender women Latinx students, compared to cisgender men. Transgender/gender nonconforming students who experienced sexual violence were significantly less likely to make any disclosure of sexual violence when compared to cisgender men. These findings highlight the extent to which experiences of sexual violence among Latinx students differ based on their gender identity. It also brings attention to the need for campus programming to attend to students who often face structural barriers because of their intersecting identities, specifically transgender/gender nonconforming Latinx students.
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 | 0,001 | 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 ».