Les effets de la méthode d’enquête sur le profil de femmes victimes d’agression sexuelle dans l’enfance
Bibliographic record
Abstract
Contexte : L’enquête par Internet est aujourd'hui largement utilisée sans que l'on connaisse ses effets sur le profil des femmes victimes d’agression sexuelle dans l’enfance (ASE), comparativement à d’autres méthodes. Cette étude vise à comparer les effets de l’utilisation de la méthode d’enquête par Internet à ceux de la méthode d’enquête populationnelle téléphonique sur le profil de femmes victimes d’ASE, et ce, relativement aux données sociodémographiques, aux expériences de victimisation et aux difficultés d’adaptation à l’âge adulte. Méthode : L’étude compare deux échantillons de femmes victimes d’ASE ayant répondu au même questionnaire, soit un provenant d’une enquête populationnelle téléphonique avec un échantillonnage probabiliste (N = 199), et l’autre d’une enquête impliquant l’auto-administration du questionnaire par Internet avec un échantillonnage de convenance (N = 269). Résultats : Comparativement aux femmes de l’enquête populationnelle téléphonique, celles de l’enquête par Internet sont plus susceptibles d’être étudiantes que de travailler, d'avoir fait des études postsecondaires que d’avoir atteint un niveau d’étude primaire, de déclarer un revenu annuel supérieur à 40 000 $ que de moins de 20 000 $, de rapporter davantage de victimisations à l’enfance, de rapporter les symptômes d’un trouble dépressif et ceux d’un trouble de stress post-traumatique, et d’avoir déjà eu des idéations suicidaires. Conclusion : Les résultats montrent que les choix méthodologiques permettent d’obtenir des profils de femmes victimes d’ASE significativement distincts. Implication : Au-delà des avantages logistiques que procure l’enquête par Internet, ses effets doivent être considérés dans la planification d’une recherche et dans l’interprétation des résultats.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.065 | 0.154 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".