Konsum von Missbrauchsabbildungen: Prävalenz, Ätiologie, Fallpriorisierung und Prognose
Bibliographic record
Abstract
Zusammenfassung Der Konsum von Missbrauchsabbildungen hat sich im Hellfeld in den letzten Jahren immer wieder verdoppelt. Dieses erhöhte Fallaufkommen stellt Polizei, Bewährungshilfe und forensische Therapeuten vor eine Vielzahl neuer Herausforderungen. In diesem Beitrag sollen daher aktuelle theoretische Modelle und empirische Erkenntnisse dargestellt werden, um Praktiker in ihrer täglichen Arbeit zu unterstützen. Im Einzelnen sollen das Ausmaß der Problematik und ätiologische Erklärungsmodelle dargestellt werden. Darauffolgend werden empirische Erkenntnisse zu Konsumenten von Missbrauchsabbildungen aufgeführt und diese mit Tätern, die zusätzlich auch Hands-On-Delikte begehen, verglichen. Ferner wird die Problematik von „Crossover“-Tätern diskutiert. Abschließend werden Ansätze vorgestellt, um Fälle in der polizeilichen Ermittlungsarbeit zu priorisieren sowie um das Rückfallrisiko von Konsumenten von Missbrauchsabbildungen vorherzusagen.
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 | 0.006 | 0.003 |
| Meta-epidemiology (narrow) | 0.005 | 0.005 |
| Meta-epidemiology (broad) | 0.005 | 0.003 |
| Bibliometrics | 0.004 | 0.009 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.008 | 0.002 |
| Research integrity | 0.007 | 0.007 |
| Insufficient payload (model declined to judge) | 0.002 | 0.069 |
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".