Behavioral and psychological predictors of multiple-perpetrator rape proclivity: A community sample study of men
Notice bibliographique
Résumé
Most of the sexual violence research focuses on incidents involving a single offender, yet one-fourth to one-third of rapes involved multiple offenders (Horvath & Kelly, 2009). The present study aimed to build upon the multiple-perpetrator rape (MPR) literature by investigating potential correlates associated with a proclivity for MPR and reconfirming prior findings. Community men completed a series of questionnaires that included the Multiple-Perpetrator Rape Interest Scale, the UCLA Loneliness Scale: Short-Form, the Buss–Perry Aggression Questionnaire: Short Form, the Sexual Fantasy Questionnaire, the Anger Rumination Scale, the Measure for Assessing Subtle Rape Myths, and the Self-Report Psychopathy-III: Short Form. The strongest relationship for M-PRIS was SFQ Sado-Masochistic ( r = .79, p < .001). In a multiple linear regression, results showed a significant model, F (6, 108) = 28.6, p < .05, which explained 61.4% of the variance in a proclivity for MPR. Specifically, BPAQ Total, SFQ Total, and ARS Total were significant ( sr 2 = .0543, 0.0499, 0.0488, respectively). One implication is for clinicians to target various types of aggression, deviant sexual fantasies, and anger rumination in therapy among those with an interest to commit MPR to potentially reduce the urge to commit the action. Educational and preventive initiatives aimed at addressing sexual violence behaviors may also gain insights into individuals prone to engaging in such behaviors, where these programs seek to diminish the likelihood of MPR occurrences.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».