Les caractéristiques sociodémographiques et leur intersectionnalité comme prédicteurs des conséquences d’agressions sexuelles
Notice bibliographique
Résumé
Les victimes d’agressions sexuelles (AS) appartenant à certains groupes sociodémographiques vulnérables rapportent davantage de symptômes de trouble de stress post-traumatique (TSPT), d’anxiété et de dépression ainsi que de cognitions post-traumatiques. Toutefois, peu d’études prennent en compte ces caractéristiques sociodémographiques simultanément et considèrent qu’elles peuvent s’entrecouper. Afin d’investiguer l’influence des caractéristiques sociodémographiques et du cumul des vulnérabilités (intersectionnalité) sur les conséquences psychologiques des victimes d’AS, 483 adultes ont été sondés. Ils ont rempli le Posttraumatic Cognitions Inventory (PTCI), le Posttraumatic Stress Disorder Symptoms Checklist for DSM-5 (PCL-5), le Generalized Anxiety Disorder-7 (GAD-7) et le Patient Health Questionnaire-9 (PHQ-9). Des ANOVA à plan simple ont montré des différences quant à la sévérité des symptômes et des cognitions post-traumatique selon le niveau d’éducation, le sexe, le genre, le statut relationnel, le pays et la langue maternelle. Des régressions linéaires multiples ont indiqué que le genre, la langue maternelle et le statut relationnel sont de meilleurs prédicteurs pour les résultats aux GAD-7, PHQ-9 et PTCI respectivement. Le cumul des vulnérabilités s’est révélé le meilleur prédicteur pour le PCL-5. Les résultats sont limités par une faible puissance statistique, mais ont permis d’explorer la pertinence de l’inclusion des variables de vulnérabilité dans le concept d’intersectionnalité.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».