Does rape proclivity predict sexual violence? Predictive validity of two distinct rape proclivity measures
Notice bibliographique
Résumé
In order to address the majority of individuals who commit sexual violence but are not apprehended, scholars have developed methods to estimate the likelihood of engaging in such behaviour (e.g. Blake & Gannon [2010]. Theimplicit theories of rape-prone men: An information-processinginvestigation. International Journal of Offender Therapy and Comparative Criminology, 54(6), 895–914; Bohner et al. [1998]. Rape myths as neutralising cognitions: evidence for a causalimpact of anti-victim attitudes on men’s self-reported likelihood of raping. European Journal of Social Psychology, 28(2), 257–268). Rape proclivity, a construct that may play an important role in sexual violence, is defined as a self-reported tendency to use sexual aggression. However, little is known about its role in actual perpetration. This study aims to address this gap by examining two different rape proclivity measures as predictors of self-reported aggression. The sample included 389 male undergraduate students from Ontario and 228 community men from North America. Results showed that proclivity measured by the Sexual Experience Survey–Tactics First Revised (SES-TFR) predicted future sexual violence, while the Rape Proclivity Measure did not. This suggests that rape proclivity may be linked to perpetration, but measurement choice is critical.PRACTICAL IMPACT STATEMENT This article will assist researchers and practitioners in designing strategies for prevention of sexual violence among university students and community men by improving understanding of rape proclivity as a construct related to perpetration of sexual violence.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».