Why Do People Watch Pornography? Cross-Cultural Validation of the Pornography Use Motivations Scale (PUMS) and Its Short Form (PUMS-8)
Notice bibliographique
Résumé
Motivations for pornography use may vary across gender identities, sexual orientations, and geographical regions, warranting examination to promote individual and public health. The aims of this study were to validate the Pornography Use Motivations Scale (PUMS) in a diverse, multicultural sample, and develop a short form (PUMS-8) that can assess a wide range of pornography use motivations. Using data from 42 countries (N = 75,117; Mage = 32.07; SDage = 12.37), enabled us to thoroughly evaluate the dimensionality, validity, and reliability of the Pornography Use Motivations Scale (PUMS), leading to the development of the more concise PUMS-8 short scale. Additionally, language-, nationality-, gender-, and sexual-orientation-based measurement invariance tests were conducted to test the comparability across groups. Both the PUMS and the PUMS-8 assess eight pornography use motivations, and both demonstrated excellent psychometric properties. Sexual Pleasure emerged as the most frequent motivation for pornography use across countries, genders, and sexual orientations, while differences were observed concerning other motivations (e.g. self-exploration was more prevalent among gender-diverse individuals than men or women). The motivational background of pornography use showed high similarity in the examined countries. Both the PUMS and the PUMS-8 are reliable and valid measurement tools to assess different types of motivations for pornography use across countries, genders, and sexual orientations. Both scales are recommended for use in research and clinical settings.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; 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 ».