Alcohol’s Effects on the Bystander Decision-Making Model: A Systematic Literature Review
Notice bibliographique
Résumé
To decrease rates of sexual assault victimization, young people are encouraged to become involved when they see questionable sexual situations (i.e., be a prosocial bystander). Several factors can facilitate or inhibit intervention, including alcohol use. To inform bystander prevention programs that aim to address alcohol's impact on bystanders, the current study reviewed research focused on alcohol use and bystander decision making. In December 2022, the authors searched published studies from six major electronic databases. Empirical articles were deemed eligible if they examined alcohol and the bystander decision-making model within the context of sexual assault, were based in the United States or Canada, and not an intervention study; 32 studies were included in the final review. Across 32 studies published between 2015-2022, 12 assessed the proximal effects of alcohol on bystander constructs and the additional studies examined the distal effects of alcohol on bystander constructs. Alcohol use appeared to impede earlier steps of the bystander decision-making model; however, alcohol use was associated with impeding and facilitating bystander decision making at the latter half of the model. Overall, alcohol use appears to be negatively rather than positively associated with bystander constructs. Bystander intervention programs may want to move beyond the narrative of alcohol as a risk factor for sexual assault and discuss how alcohol impairs a bystanders' ability to recognize risk. More work is needed to ensure researchers assess alcohol consistently and with similar methods (number of drinks, subjective intoxication) to increase generalizability of findings to prevention programs.
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 | 0,041 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».