L’adhésion aux croyances et préjugés vis-à-vis des violences sexuelles : Facteurs associés chez les étudiants et les étudiantes des milieux universitaires québécois
Bibliographic record
Abstract
Les taux de prévalence des violences sexuelles (VS) commises à l’endroit des populations étudiantes universitaires américaines et canadiennes varient de 8 % à plus de 60 % lorsque le harcèlement sexuel est pris en compte (Walsh et al., 2010). Actuellement, les programmes de prévention misent sur l’intervention des témoins lors de situations de violence sexuelle en milieu universitaire (VSMU). Cependant, l’acte d’intervenir afin de contrer une situation de VS serait en partie basé sur les croyances et préjugés vis-à-vis des violences sexuelles (CPVS) des témoins (Amar et al., 2012). En effet, l’adhésion à des CPVS qui culpabilisent les victimes, banalisent les gestes de VS ou déresponsabilisent les auteurs de ces gestes chez les témoins diminuent la probabilité qu'ils interviennent afin de protéger la victime de VS (McMahon et Banyard, 2012). L’objectif de la présente étude était d’identifier les facteurs associés (par ex.: genre, âge, orientation sexuelle, cycle universitaire, minorité visible) à l'adhésion à de telles croyances auprès des étudiants et étudiantes en milieu universitaire québécois (n = 5 989). Les résultats de cette étude permettent d’identifier des facteurs associés à plus de risque d’adhérer aux CPVS, soit être un homme, s’identifier comme appartenant à une minorité visible, avoir 18 à 25 ans (comparativement à 26 ans et plus), être au 1er cycle universitaire ainsi qu’être victime de coercition sexuelle. Les facteurs qui ressortent dans les analyses comme étant négativement associés à l'adhésion aux CPVS sont les femmes, les personnes issues des minorités de genre, ceux et celles appartenant à la diversité sexuelle, les personnes confidentes d’une VSMU et les victimes de harcèlement sexuel. Les résultats de cette étude mettent pour une première fois en lumière les différents facteurs associés à l’adhésion aux CPVS chez les populations étudiantes québécoises. Ces résultats indiquent par le fait même les caractéristiques des personnes susceptibles de bénéficier le plus des efforts de sensibilisation. Enfin, les résultats pourront permettre aux programmes de prévention de la VSMU d’orienter leurs efforts vers les sous-groupes de personnes plus enclins à adhérer à ce type de croyances en adaptant, par exemple, les programmes de prévention basés sur l'intervention des témoins actifs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".