Les caractéristiques sociodémographiques et leur intersectionnalité comme prédicteurs des conséquences d’agressions sexuelles
Bibliographic record
Abstract
Les victimes d’agressions sexuelles (AS) appartenant à certains groupes sociodémographiques vulnérables rapportent davantage de symptômes de trouble de stress post-traumatique (TSPT), d’anxiété et de dépression ainsi que de cognitions post-traumatiques. Toutefois, peu d’études prennent en compte ces caractéristiques sociodémographiques simultanément et considèrent qu’elles peuvent s’entrecouper. Afin d’investiguer l’influence des caractéristiques sociodémographiques et du cumul des vulnérabilités (intersectionnalité) sur les conséquences psychologiques des victimes d’AS, 483 adultes ont été sondés. Ils ont rempli le Posttraumatic Cognitions Inventory (PTCI), le Posttraumatic Stress Disorder Symptoms Checklist for DSM-5 (PCL-5), le Generalized Anxiety Disorder-7 (GAD-7) et le Patient Health Questionnaire-9 (PHQ-9). Des ANOVA à plan simple ont montré des différences quant à la sévérité des symptômes et des cognitions post-traumatique selon le niveau d’éducation, le sexe, le genre, le statut relationnel, le pays et la langue maternelle. Des régressions linéaires multiples ont indiqué que le genre, la langue maternelle et le statut relationnel sont de meilleurs prédicteurs pour les résultats aux GAD-7, PHQ-9 et PTCI respectivement. Le cumul des vulnérabilités s’est révélé le meilleur prédicteur pour le PCL-5. Les résultats sont limités par une faible puissance statistique, mais ont permis d’explorer la pertinence de l’inclusion des variables de vulnérabilité dans le concept d’intersectionnalité.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".