A Latent Profile Analysis of Intimate Partner Violence Perpetrated by Men Seeking Help
Notice bibliographique
Résumé
Past research has emphasized the need to identify profiles of men who perpetrate intimate partner violence (IPV) as a way to better understand this heterogeneous population and guide the development of tailored services. However, empirical validation for such profiles remains limited, since it still focuses on specific populations or fails to consider IPV as reported by men seeking treatment for IPV. We know little about the profiles of men who seek services for their use of IPV (with or without a justice referral). This study sought to identify profiles of men seeking treatment for IPV, based on their self-reported use of the various forms and severity of IPV perpetrated, and to compare the identified groups on key psychosocial risk markers of IPV. A total of 980 Canadian men entering treatment in community organizations specialized in IPV answered a series of questionnaires. A latent profile analysis identified four profiles: (a) “no/minor IPV” ( n = 194), (b) “severe IPV with sexual coercion” ( n = 122), (c) “minor IPV and control” ( n = 471), and (d) “severe IPV without sexual coercion” ( n = 193). Results revealed differences in psychosocial risk markers, including attachment insecurities, childhood interpersonal trauma, undesirable personality traits, affect dysregulation, and psychological distress, mostly between the “severe IPV without sexual coercion” profile and the “no/minor IPV” and “minor IPV and control” profiles. Very few differences were found, however, between the “severe IPV with sexual coercion” and “severe IPV without sexual coercion” profiles. Implications for awareness, prevention, and treatment efforts for each profile are discussed.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».