Does the label <i>really</i> matter when it comes to judgements of people who have committed sexual offences?
Notice bibliographique
Résumé
Negative attitudes to people with sexual convictions are key barriers to effective treatment and reintegration. Recently, there have been moves to reduce stigma by using more person-first language. Although this approach may be effective in adjusting attitudes in the desired (i.e. less punitive) direction, no work has explored how such labelling affects judgements of specific individuals with this offending history. In two well-powered experimental studies (Study 1 N = 522; Study 2 N = 470), we find less negative attitudes when this population is labelled using person-first language in a broad psychometric attitudinal measure. However, there were no notable differences in the levels of expressed negativity toward, and desired social distance from, specific people who have committed sexual offences based on the label used to describe them. We discuss the utility of using person-first language in light of these data, and encourage more nuance when discussing the effects of person-first language use.PRACTICE IMPACT STATEMENT While person-first language has been shown to reduce broad negative attitudes toward people with sexual convictions, this approach may have a limited impact on more targeted judgements of specific individuals. Practitioners and policymakers should consider this nuance when designing stigma reduction strategies, balancing the potential benefits of person-first framing with the complexity of its real-world effects.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».