Diversity of Profiles and Coping Among Adolescent Girl Victims of Sexual Dating Violence
Notice bibliographique
Résumé
Sexual dating violence (DV) is common among female adolescents, and victims may experience other forms of DV (physical, psychological, and cyberviolence) and report a history of child sexual abuse (CSA). Heterogeneity of these victimization experiences could influence how adolescent girls’ cope. We aimed to identify distinct profiles of victimization experiences among adolescent girls who reported sexual DV and to explore if these profiles were associated to their coping strategies. Of an initial sample of 1,300 female adolescents who completed online questionnaires, 835 (Mage = 16.8 years) reported at least one experience of sexual DV and were included in the analyses. Hierarchical classification with the Two Step analysis revealed four distinct profiles of victimization. A first cluster named Moderate CSA & Cyber-sexual DV (21.4%) is characterized by moderate percentage of all forms of victimization. The second cluster CSA & DV excluding cyber-sexual DV (34.4%) included victims of traditional DV, moderate rates of CSA and no experience of cyber-sexual DV. A third cluster CSA & DV Co-occurrence (20.6%) regrouped victims who have experienced different forms of DV in co-occurrence and CSA. Finally, the fourth cluster, named No CSA & DV Co-occurrence (23.6%) involved victims who have experienced different forms of DV in co-occurrence, but did not report a history of CSA. Analyses revealed significant differences between the profiles on the use of avoidance coping, in their perceived social support, and on help-seeking strategies deployed toward a partner and a health professional. These findings offer cues for prevention and intervention efforts for victimized female adolescents.
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 ».