Compulsive sexual behaviour in Iranian married women: Prevalence, sociodemographic, sexual, and psychological predictors across-country
Notice bibliographique
Résumé
Background and Aims: This study addresses the scarcity of research on Compulsive Sexual Behavior Disorder (CSBD) in non-Western cultures and women, exploring its prevalence, sociodemographic, sexual history characteristics, and sexual and psychological health factors in Iranian married women. Methods: A cross-sectional study involving 772 heterosexual married women was conducted between 2022 and 2023, covering all 31 provinces of Iran. Participants were categorized as CSBD+ (at-risk individuals) and CSBD- (low-risk individuals) based on a pre-established cut-off point of ≥18 by the Compulsive Sexual Behavior Disorder Scale -7. Depression, anxiety, obsessive-compulsive disorder, self-esteem, sexual distress, sexual satisfaction, relationship satisfaction, and sexual dysfunction were assessed as psychological and sexual health variables by standardized scales. Results: The prevalence of CSBD was 3.8% in women. Linear regression analysis showed that lower education, being jobless, substance use, pornography use, paraphilic behaviors, conflict on sex frequency, relationship, orgasm and sexual dissatisfaction, higher sexual arousal, depression, and obsessive-compulsive symptoms were positively associated with CSBD. The univariate analysis, at a stringent significance level of 0.005, mirrored the regression findings. Additionally, women with CSBD+ exhibited lower religiousness and higher anxiety compared to those without CSBD-. Discussion and Conclusions: Raising awareness of CSBD is crucial for health systems and individuals for better policy-making and help-seeking behavior. Identifying risk factors like substance use presents opportunities for prevention, and the association of CSBD with sexual and mental health variables suggests addressing co-occurring issues for improved treatment outcomes. Recognizing culture and gender-specific sexual and psychological correlates enables targeted and effective treatment approaches.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».