A Network Analysis of Embodied Trauma: Self-Destructive Behaviors Among Survivors of Childhood and Adolescent/Adult Sexual Assault
Notice bibliographique
Résumé
This study capitalized on a network analysis to examine the interrelations between childhood sexual abuse (CSA), adolescent/adult sexual assault (AASA), and self-destructive behaviors (i.e., binge eating, self-harm, and substance use) within a network framework, guided by the principles of embodiment theory. It further aimed to explore how these patterns vary across gender identities by estimating and comparing three distinct networks for men, women, and gender-diverse individuals. Data were drawn from the International Sex Survey (N = 82,243; M_age = 32.39, SD = 12.52) conducted across 42 countries. Network analyses were conducted separately for men, women, and gender-diverse individuals using EBIC Graphical Lasso. Differences in network structure, edge weights, and centrality metrics were tested using network comparison tests, with false-discovery-rate corrections applied. Among women, CSA emerged as the most central node in the network, showing strong connections to AASA, binge eating, self-harm, and substance use, suggesting an integrated pattern of embodied coping. In contrast, the network for gender-diverse individuals revealed two partially distinct sub-networks: one linking CSA, AASA, and substance use, and another connecting binge eating and self-harm – suggesting different coping mechanisms. The network estimated for men was more fragmented, with weaker and fewer connections among trauma and measures of self-destructive behaviors. Findings suggest the importance of gender-sensitive, trauma-informed care. CSA emerged as a central driver of interconnected self-destructive behaviors in women, while gender-diverse individuals showed distinct patterns, suggesting embodiment and minority stress as potential risk factors.
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 | 0,000 |
| 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) | 0,000 | 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 ».