A Systematic Review on the Effectiveness of Interventions for Individuals Who Have Committed Online Sexual Crimes Involving Children
Notice bibliographique
Résumé
Objective: Online sexual crimes involving children have increased significantly with greater public access to the internet, underscoring the pressing need for effective intervention programs. While previous reviews attest to the effectiveness of psychological interventions for people who commit sexual offenses, none have specifically addressed those who commit sex crimes involving children using the internet. This systematic review aims to evaluate the effectiveness of psychological intervention programs targeting these crimes, identifying the most effective approaches in behavioral change. Method: The research was conducted across five databases (Scopus, B-on, APA PsycNet, PubMed, and Sage Journals), including studies evaluating the effectiveness of any psychological intervention in adults who have committed sexual crimes involving children through the internet, resulting in nine relevant studies. Most studies employed pre-post designs assessing psychological factors linked to reoffending, emphasizing integrated approaches including cognitive-behavioral therapy, life satisfaction promotion, multimodal treatments, and monitoring. Results: Findings indicated that, in most cases, there were psychological improvements related to criminal behavior, along with a reduction in the frequency and severity of offenses. Methodological limitations were common, such as reliance on pre-post designs, self-reported data, and absence of control groups or conditions. Conclusions: This review underscores the necessity for further research to gauge intervention program effectiveness in this population, stressing larger sample sizes, control group inclusion, and follow-up periods. Despite limitations, the review offers practical insights for clinicians, identifying key treatment components and risk assessment tools useful for personalized intervention planning and clinical decision-making in this population.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».