Contributions of Psychological Science on Response to Sexual Assault
Notice bibliographique
Résumé
Sexual offending represents one of the most difficult crimes to investigate by the police due in part to the various complexities involved. For instance, contrary to most forms of crime, the sole presence of forensic evidence (e.g., DNA) is often not enough to charge and convict a suspect. In many cases, the notion of consent will need to be debated, which more often than not, comes down to the word of the victim against the offender’s. Therefore, it becomes of the utmost importance to develop various techniques that can be used by the police in their effort to find the truth and charge the right suspect. Although the field of research on sexual violence has traditionally focused its efforts on improving our understanding of the various risk factors related to this form of offending as well as how to best treat and manage these offenders, some researchers have conducted innovative research applied specifically to the investigation of sexual crimes. The aim of this chapter is to review some of the most important findings on sexual offending that can be applied to the police criminal investigation. More specifically, the chapter will start by reviewing some of the misconceptions about “sex offenders” that may mislead an investigation. Then, we will discuss the various studies on suspect prioritization and crime linkage analysis, presenting the best practices. The chapter will also cover the investigative interviewing specific to sexual crimes, focusing on the witnesses, the victims, and the suspects. Moreover, related to interviewing, the chapter will review and discuss the indicators of false rape allegations as well as false confessions. The chapter will review some of the proactive strategies used in sexually-related online crimes and will end with a review of how risk assessment
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| 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) | 0,003 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».