Les facteurs de risque dynamiques associés à l’agression sexuelle chez les cyberdélinquants
Bibliographic record
Abstract
La lutte contre l’exploitation sexuelle des enfants a contribué à mettre en place des stratégies optimisant la détection des délinquants sexuels sur internet (Ministère de la Justice du Canada, 2018). Une prise en charge efficace de ces individus par le système de justice implique notamment d’évaluer leur risque de commettre un nouveau crime. À cet effet, l’agression sexuelle serait fortement sous-détectée parmi les cyberdélinquants. Environ 12 % des cyberdélinquants sont officiellement détectés pour des agressions sexuelles alors que ce taux s’élèverait à plus de 50 % en tenant en compte les données autorévélées (Seto, Hanson & Babchishin, 2011). Les instances judiciaires se doivent donc d’être mieux outillées pour détecter efficacement les cyberdélinquants à risque d’agression sexuelle. Ainsi, l’objectif de cette recherche consiste à examiner les facteurs de risque associés à l’agression sexuelle chez les cyberdélinquants. L’échantillon comportait 124 participants catégorisés en fonction de leur statut de détection par le système de justice. Les groupes de délinquants détectés incluaient 26 délinquants ayant été accusés pour des délits sexuels par internet et des agressions sexuelles (délinquants mixtes) et 41 cyberdélinquants ayant été accusé seulement pour des infractions sexuelles par internet. Les groupes de délinquants non détectés incluaient 42 délinquants ayant confessé au moins un délit sexuel par internet ou une agression sexuelle et 15 cyberdélinquants ayant confessé des infractions sexuelles par internet. Des comparaisons entre les cyberdélinquants et les délinquants mixtes ont été effectuées pour les facteurs de risque de l’intérêt sexuel envers les enfants, la préoccupation sexuelle, le coping sexuel, les cognitions soutenant les agressions sexuelles et les cognitions soutenant les crimes sexuels par internet. Les résultats montrent que les cognitions soutenant les agressions sexuelles permettent de discriminer les cyberdélinquants qui commettent des agressions sexuelles de ceux qui n’en commettent pas, sans égard au statut de détection. Ces résultats appuient les modèles théoriques soutenant qu’une tendance plus marquée pour l’antisocialité peut être associée aux comportements d’agression sexuelle.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".