Men’s Sexual Violence Against Women: A Systematic Review of Self-Reported Measures of Perpetration
Notice bibliographique
Résumé
Research has studied men's perpetration of sexual violence against women using various self-reported measures. A major difference among these measures is the types of perpetration tactics they assess. Measures having a broader range of tactics tend to detect higher perpetration rates. Yet, it is unclear whether these measures perform better on other aspects of reliability and validity as well. This review aimed to identify the available measures of men's sexual violence perpetration against women and to review the types of tactics and psychometric evidence of these measures. A systematic search was conducted in nine databases to identify articles that used a standardized self-report measure to assess men's sexual violence perpetration against women. The final sample included 85 articles, and 13 unique measures were identified from these articles. Results showed that three broad types of tactics were included in these measures: use of physical force, use of substances, and verbal coercion. Some measures also included a type of physical tactic that was manipulative or coercive but not necessarily forceful. Only one measure captured all types of tactics identified. Psychometric evidence was available for 12 measures, but the evidence regarding which measure provides the most accurate perpetration rates was inconclusive due to a lack of replications. This review highlighted the need for improving measures of sexual violence perpetration. Measures of perpetration should include a comprehensive range of tactics to increase validity, and more research is needed to examine test-retest reliability, false positives, and false negatives in responses to perpetration measures.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».