Een overzicht van onderzoek naar pornografie: Methodologie en resultaten van vier bronnen (2015): Utah is geen nummer 1 in pornogebruik

Link naar artikel 

Een overzicht van onderzoek naar pornografie: Methodologie en resultaten van vier bronnen.

Cyberpsychology: Journal of Psychosocial Research on Cyberspace, 9(4), artikel 1. doi: 10.5817 / CP2015-4-4

Abstract

Trefwoorden: Pornografie, internetgebruik, data, representatief

DOWNLOAD PDF

Introductie

Hoewel de meeste onderzoekers het erover eens zijn dat pornografie de afgelopen decennia steeds wijdverspreider is geworden, blijft het nauwkeurig meten van het niveau van pornografisch gebruik onder de bevolking een empirische uitdaging voor sociale wetenschappers. De reeks technologieën die worden gebruikt om toegang te krijgen tot pornografie is in de loop van de tijd veranderd, waardoor het vrijwel onmogelijk is om consistent dezelfde maatstaf voor pornografisch gebruik te meten. Hogesnelheidsinternet, dat de afgelopen vijftien jaar geleidelijk de markten is binnengedrongen, maakt ongekende betaalbaarheid, anonimiteit en gemakkelijke toegang tot pornografieconsumptie mogelijk (Cooper, 1998), wat bijdraagt ​​aan de schijnbare algemene toename van het gebruik van pornografie (Wright, 2011). Hertlein en Stevenson (2010) wijzen ook op andere kenmerken die specifiek zijn voor breedbandinternetpornografie en die bijdragen aan de groei van de industrie: een betere benadering van de fysieke wereld, aanvaardbaarheid, ambiguïteit en aanpassing tussen iemands 'echte' en 'zou moeten'-zelf.

Eerdere benaderingen van het meten van pornografisch gebruik waren sterk afhankelijk van enquêtegegevens (zie Buzzell, 2005). De elektronische aard van onlinepornografie maakt echter in toenemende mate een aantal alternatieve methoden mogelijk voor het verkrijgen van betrouwbare proxy's voor het gebruik van pornografie, waaronder die welke zijn verzameld uit abonnements- of online zoekgegevens. De mogelijkheid om een ​​objectieve maatstaf te gebruiken op basis van abonnements- of zoekgegevens is voordelig omdat op enquêtes gebaseerde gegevens over het algemeen lijden onder een sociale wenselijkheidsbias: respondenten rapporteren mogelijk te weinig activiteiten die de sociale normen schenden (Fisher, 1993). Bovendien zijn abonnementsgegevens niet afhankelijk van de mening van een individu over wat pornografie inhoudt; een natuurlijke beperking van subjectieve enquêtevragen over pornografisch gebruik.

Twee recente onderzoeken hebben gebruik gemaakt van innovatieve gegevensbronnen over het gebruik van online pornografie. Edelman (2009) gebruikt abonnementsgegevens van één top-tien aanbieder van betaalde pornografische inhoud om een ​​ranglijst te creëren van welke staten de meeste online pornografie gebruiken en correleert deze met verschillende maatstaven van sociale of religieuze attitudes op staatsniveau. MacInnis en Hodson (2014) gebruiken zoektermgegevens van Google Trends als proxy voor pornografisch gebruik en onderzoeken de relatie tussen pornografisch gebruik op staatsniveau en maatstaven van religiositeit en conservatisme. Ze constateren dat staten met een meer rechtse ideologische houding hogere percentages pornografie-gerelateerde Google-zoekopdrachten hebben.

In dit artikel worden enkele van de beweringen beoordeeld die in eerdere onderzoeken zijn gedaan over de rangorde van staten en de relatie tussen het gebruik van pornografie op staatsniveau en verschillende sociale maatregelen op staatsniveau. We bieden ook een raamwerk dat toekomstige onderzoekers kunnen gebruiken om de representativiteit van toekomstige datasets op staatsniveau of zelfs provinciaal niveau over pornografisch gebruik te beoordelen. Edelman (2009) was een pionier in het verkrijgen van toegang tot de abonnementsgegevens van één enkele aanbieder van betaalde pornografische inhoud en dit gebruik van individuele consumentengegevens van particuliere bedrijven zal een nuttig hulpmiddel worden voor het verzamelen van gegevens over moeilijk te meten gedrag. De sleutel voor het toekomstige gebruik van dit soort rijke data zal het identificeren van de mate zijn waarin de data van een enkel bedrijf dezelfde inzichten kunnen bieden als een landelijk representatieve steekproef.

In dit artikel gaan we dieper in op de gegevens die in deze twee recente onderzoeken zijn gebruikt en combineren we deze met twee aanvullende gegevensbronnen. Omdat elk van de vier gegevensbronnen die we in dit artikel gebruiken een maatstaf is voor het niveau van pornografisch gebruik, schatten we de validiteit van elke bron in door deze te vergelijken met de ranglijsten op staatsniveau die we voor de andere bronnen verkrijgen.

Data

Ons artikel is gebaseerd op vier gegevensbronnen die informatie bevatten over de variatie op staatsniveau in het gebruik van pornografie. De eerste twee gegevensbronnen zijn landelijk representatieve steekproeven, terwijl de laatste twee gebaseerd zijn op betaalde abonnementen of paginaweergaven die verband houden met een specifieke aanbieder van pornografische inhoud. In elke gegevensbron is onze maatstaf voor pornografisch gebruik gebaseerd op omstandigheden waarin individuen pornografische inhoud zoeken in plaats van per ongeluk pornografie te bekijken.

Onze eerste dataset is gebaseerd op een landelijk representatieve steekproef van 2,988 respondenten in de New Family Structures Survey (NFSS). De gegevensverzameling werd uitgevoerd door Knowledge Networks (KN), een onderzoeksbureau met een reputatie in het genereren van gegevens van hoge kwaliteit. Knowledge Networks rekruteerde willekeurig leden van haar panel via telefonische en postenquêtes. Indien nodig krijgen huishoudens toegang tot internet. Het voordeel van dit panel is dat het niet beperkt is tot huidige internetgebruikers of computerbezitters, en geen zelfgekozen vrijwilligers accepteert.

In de NFSS is een vraag opgenomen over de vraag of de respondent het afgelopen jaar opzettelijk pornografie heeft bekeken. Dit soort vragen heeft het voordeel dat het pornografisch gebruik in kaart brengt, ongeacht de bron waartoe het individu toegang heeft. Er zijn andere landelijk representatieve steekproeven, zoals de General Social Survey, die vragen over pornografie bevatten. We gebruiken de gegevens van de NFSS omdat deze gemakkelijk toegankelijk zijn voor andere wetenschappers en staatsidentificaties bevatten in de openbaar beschikbare vorm. Staatsidentificatiegegevens kunnen daarentegen alleen worden verkregen in de vertrouwelijke versie van de General Social Survey. Voor de analyse in dit artikel gebruiken we de reeks van zesenveertig staten uit de NFSS-enquête waarvoor minstens 50 respondenten waren.

De tweede gegevensbron, Google Trends, functioneert als een tijdreeksindex van het aantal zoekopdrachten dat in een specifiek geografisch gebied op Google is ingevoerd. Deze gegevens zijn nuttig gebleken bij economische en medische inspanningen, zoals het voorspellen van griepuitbraken (Carneiro & Mylonakis, 2009) en het voorspellen van economische indicatoren op korte termijn, zoals consumentenvertrouwen of werkloosheid (Choi & Varian, 2012). Preis, Moat en Stanley (2013) kwantificeren handelsgedrag met behulp van Google Trends en laten zien dat bepaalde termen verband houden met het stijgen of dalen van de aandelenwaarde. De entertainmentindustrie voor volwassenen kan eveneens worden onderzocht met behulp van de zoekgegevens van Google Trends, voor zover belangrijke kenmerken van de sector kwantitatief kunnen worden gemeten.

De belangrijkste uitdaging bij het gebruik van Google Trends-gegevens is het selecteren van de specifieke termen waarop we gegevens baseren. De geselecteerde termen moeten een daadwerkelijke indicator van pornografisch gebruik zijn, wil onze analyse nuttig zijn. Ho en Watters (2004) analyseerden structurele trends op pornografische websites. Als onderdeel van hun analyse stellen ze een lijst op van termen die vaak voorkomen op pornografische websites en die vaak niet voorkomen op niet-pornografische websites. De top vier termen waren ‘porno’, ‘xxx’, ‘seks’ en ‘f***’. Met behulp van zoekstatistieken ontdekken we dat zoekopdrachten naar deze vier termen sterk gecorreleerd zijn. Zoekopdrachten naar de term 'pornografie' zijn daarentegen niet gecorreleerd met een van deze vier termen en zijn een term die waarschijnlijk wordt gebruikt door mensen die informatie over pornografie zoeken in plaats van toegang te krijgen tot daadwerkelijke pornografische inhoud.

Er is ook een onderscheid tussen ‘harde’ en ‘zachte’ pornografie, waarbij ‘zacht’ doorgaans verwijst naar media die seksueel van aard zijn, maar geen penetratie weergeven. De vier eerder genoemde termen verzamelen alleen gegevens over gebruikers die op zoek zijn naar harde inhoud, maar we beschouwen dit om twee redenen nog steeds als een effectieve analyse. Softporno wordt door veel kijkers niet als pornografie beschouwd, en als gevolg daarvan is het zelfs wijdverbreid in de reguliere media, waaronder televisie en films. Ten tweede constateren we dat de relatieve zoekopdrachten naar termen voor zachte pornografie minimaal zijn in vergelijking met zoekopdrachten naar termen voor harde pornografie. We hebben een relatieve zoekwaarde uitgevoerd voor de zoektermen 'porno' en 'naakte meisjes' over de periode 2005-2013. Zoekopdrachten naar beide termen werden zodanig genormaliseerd dat het maximale zoekvolume de waarde 100 kreeg, wat voorkomt voor de term 'porno'. In vergelijking met het genormaliseerde maximum heeft ‘naakte meisjes’ nooit een zoekvolume-index groter dan 6.

De gegevens van Google Trends geven niet het daadwerkelijke aantal zoekopdrachten naar een specifieke term in een geografisch gebied weer. Elk gegevenspunt wordt genormaliseerd door het aantal zoekopdrachten naar de term te delen door het totale aantal zoekopdrachten in dat gebied. De gegevens worden daarom gecontroleerd voor zowel de bevolking als de verschillen in zoekvolume tussen staten. Google Trends elimineert ook herhaalde zoekopdrachten door één persoon in een korte periode om te voorkomen dat één persoon de resultaten vertekent.

Gegevens zijn beschikbaar op staatsweekniveau via Google Trends. We gebruiken gegevens over het jaar juli 2013-juli 2014. Onze waarnemingen zijn aangepast op een schaal van 1-100. Een staat met de hoogste genormaliseerde zoekopdrachten van een specifieke term gedurende een periode van een week in onze dataset heeft een waarde van 100. Met behulp van deze gegevens voor elke term construeren we een index van pornografische zoekopdrachten voor elke staatsweek van onze gegevens met een gewogen som met behulp van de vier termen. We wegen ‘porno’ en ‘seks’ zwaarder omdat hun relatieve zoekopdrachten veel groter zijn dan die van ‘f***’ en ‘xxx’. Concreet gebruiken we de gemiddelde relatieve weging van elke term over het afgelopen jaar. Vervolgens gebruiken we deze gewogen zoekvolumerangschikking van staten door Google Trends om de entertainmentindustrie voor volwassenen geografisch te modelleren.

Een van de voordelen van het gebruik van gegevens van Google Trends ten opzichte van websitespecifieke abonnementsgegevens is dat deze gegevens bevatten over personen die op zoek zijn naar zowel gratis als betaald entertainment voor volwassenen. Doran (2008) merkt op dat ongeveer 80-90% van de bezoekers van pornografische websites alleen toegang heeft tot gratis pornografisch materiaal, wat suggereert dat analyse van betaald entertainment voor volwassenen de werkelijke patronen van pornografische consumptie in het algemeen kan verdoezelen.

Onze derde gegevensbron registreert het aantal abonnementen op een van de tien grootste aanbieders van betaalde pornografische inhoud, gebruikt in een recent onderzoek van Edelman (2009). Edelmans analyse van deze dataset was een nieuwe bijdrage aan de literatuur; eerdere onderzoeken naar pornografisch gebruik hadden alleen enquêtegegevens onderzocht. De specifieke gegevens die werden gebruikt, waren de postcode die was gekoppeld aan alle creditcardabonnementen tussen 2006 en 2008. Deze specifieke inhoudaanbieder heeft honderden sites met een breed scala aan entertainment voor volwassenen. Edelman (2009) erkent echter dat “het moeilijk is om rigoureus te bevestigen dat deze verkoper representatief is.”

Hoewel de bron van deze abonnementsgegevens een top-10-verkoper van entertainment voor volwassenen is, zijn de abonnementen zeer laag in verhouding tot de patronen van pornografisch gebruik die we waarnemen in enquêtegegevens zoals de NFSS, waar 47% van de volwassenen aangeeft het afgelopen jaar pornografie te hebben gebruikt. . De staat met de meeste abonnementen per breedbandhuishouden is Utah, met 5.47 per 1,000 huishoudens met breedband. De laagste staat is Montana met 1.92 abonnementen voor elke 1,000 huishoudens met breedband. Deze lage cijfers duiden erop dat het marktaandeel van individuele aanbieders van pornografie klein is, waardoor het moeilijk is om te weten of de gegevens van één aanbieder een nauwkeurige vergelijking tussen staten kunnen opleveren. Zoals eerder vermeld, heeft de overgrote meerderheid van de personen die online toegang hebben tot pornografie alleen toegang tot gratis inhoud in plaats van gebruik te maken van een betaalde site zoals die bestudeerd door Edelman (Doran, 2010).

Onze vierde gegevensbron zijn paginaweergavegegevens van Pornhub.com, destijds de derde grootste online host voor entertainment voor volwassenen in de Verenigde Staten. We gebruiken de Pornhub-gegevens vanwege de omvang en de beschikbaarheid van gegevens. Pornhub maakte de paginaweergaven per hoofd van de bevolking gedurende het jaar 2013 openbaar en rapporteerde deze gegevens afzonderlijk per staat. De Pornhub-gegevens zijn qua aard vergelijkbaar met de gegevens van Edelman, in die zin dat het een objectieve maatstaf voor pornografisch gebruik aan de aanbiederzijde is. De gegevens registreren echter paginaweergaven in plaats van abonnees; intuïtief zouden de gegevens zowel patronen van intensief gebruik per persoon als patronen van proliferatie onder de bevolking aan het licht brengen. De gegevens hebben ook het relatieve voordeel dat ze zowel betaald als onbetaald gebruik omvatten.

Het beoordelen van de representativiteit van nieuwe gegevensbronnen

De big data-revolutie begint op dramatische wijze de soorten gegevensbronnen open te stellen die kunnen worden gebruikt om gedrag te meten en te bestuderen, zoals het gebruik van pornografie. De abonnementsgegevens die Edelman (2009) gebruikt, vertegenwoordigen het type grote datasets dat in toenemende mate beschikbaar zal komen voor wetenschappers in hun onderzoek. Een belangrijke eerste stap bij het gebruik van dit soort bedrijfseigen gegevens zal het beoordelen van de mate zijn waarin de gegevens van een enkele aanbieder representatief zijn voor de algemene populatie van belang. In deze sectie bieden we een raamwerk waarmee de representativiteit van een dataset wordt beoordeeld door deze te vergelijken met de patronen die zijn waargenomen uit andere gegevens waarvan bekend is dat ze nationaal representatief zijn, of door deze te vergelijken met een combinatie van andere gegevensbronnen die gezamenlijk waarschijnlijk de ware representatie zullen vertegenwoordigen. onderliggende gedragspatroon.

In Tabel 1 vermelden we de top tien en de onderste tien staten voor pornografisch gebruik op basis van elk van de vier bronnen: abonnementsgegevens, Pornhub, NFSS en Google Trends. Mississippi is een staat die in alle vier de datasets in de top vier van staten staat wat betreft pornografisch gebruik, en Idaho scoort consequent in de buurt van de laagste cijfers van alle staten op de meeste maatstaven. Daarentegen staan ​​andere staten, zoals Arkansas en Utah, op sommige maatstaven in de top tien, maar op andere maatstaven in de onderste tien. Deze resultaten suggereren dat het een beetje problematisch kan zijn om op basis van één enkele gegevensbron te identificeren welke staat het hoogste percentage pornografisch gebruik lijkt te hebben.

Tabel 1. Rangorde van staten op basis van vier verschillende gecontroleerde gegevensbronnen
voor breedbandinternettoegang.

In paneel A van Tabel 2 schatten we de correlatie tussen elk van de gegevensbronnen met behulp van de feitelijke metingen van pornografiegebruik uit elke bron in plaats van de rangorde die in Tabel 1 op basis van deze metingen wordt gerapporteerd. De betaalde abonnementsgegevens hebben veruit de zwakste correlatie met de andere drie bronnen en zijn zelfs negatief gecorreleerd met de NFSS-enquêtegegevens. De betaalde abonnementsgegevens hebben een correlatie van -0.0358 met de NFSS, 0.076 met Google Trends en 0.0066 met Pornhub. Geen van deze correlaties is statistisch significant; overeenkomstige t-statistieken zijn allemaal kleiner dan 0.6 (wat overeenkomt met directionele p-waarden groter dan 3). De andere drie ranglijsten vertonen daarentegen relatief opmerkelijke correlaties. Google Trends en Pornhub hebben een correlatie van .487, NFSS en Google Trends hebben een correlatie van .655 en Pornhub en NFSS hebben een correlatie van .551. Al deze correlaties zijn statistisch significant met een t-statistiek tussen Google Trends en Pornhub van 3.78, tussen NFSS en Google Trends van 5.68, en tussen Pornhub en NFSS van 4.28. Deze komen allemaal overeen met directionele p-waarden van minder dan .0004.

In paneel B rapporteren we correlaties met behulp van de ordinale ranglijsten die op basis van elke gegevensbron zijn gemaakt. Correlaties tussen NFSS, Google-trends en Pornhub hebben vergelijkbare correlatiecoëfficiënten en betekenis als die in panel A, en ook de correlatie tussen Google-trends en betaalde abonnementen is vergelijkbaar. Het panel is opmerkelijk omdat bij gebruik van ordinale ranglijsten betaalde abonnementsgegevens beter correleren met Pornhub- en NFSS-enquêtegegevens, maar de correlaties zijn nog steeds onbeduidend. De twee panels stellen ons in staat vergelijkbare conclusies te trekken, maar de grotere coëfficiënten voor gegevens over betaalde abonnementen zijn het vermelden waard, ondanks het feit dat ze onbeduidend zijn en aanzienlijk zwakker dan de correlaties van de andere bronnen met elkaar. Wij zijn van mening dat de correlaties waarbij gebruik wordt gemaakt van daadwerkelijke metingen van pornografisch gebruik in plaats van ordinale ranglijsten de industrie het beste vertegenwoordigen, omdat deze het feitelijke verschil in pornografisch gebruik verklaren en niet alleen de specifieke volgorde van de staten.

Tabel 2. Correlatie tussen de vier gegevensbronnen.

De significante correlatie tussen de drie niet-betaalde abonnementsgegevensbronnen, ondanks de verschillende variabelen die ze meten (zoekvolume, paginaweergaven en percentage pornografische kijkers), suggereert dat ze een reëel onderliggend patroon van variatie in pornografiegebruik tussen staten meten; een die niet gecorreleerd is met de abonnementsgegevens die door Edelman (2009) worden gebruikt.

Gevoeligheid van schattingen voor de gebruikte gegevensbron

Om het belang te illustreren van het rekening houden met de verschillen in de aantallen staatspornografie tussen verschillende gegevensbronnen, repliceren we de resultaten van een recent onderzoek waaruit bleek dat meer religieuze en meer conservatieve staten eerder geneigd waren om naar seksuele inhoud op Google te zoeken (MacInnis & Hodson, 2014). We onderzoeken of de conclusies van dat artikel van toepassing zijn op andere metingen van pornografisch gebruik met behulp van de andere gegevensbronnen die we in dit artikel hebben beschreven. De resultaten van deze replicatie worden gegeven in Tabel 3. We hebben de maatstaven voor pornografiegebruik, religiositeit en conservatisme gestandaardiseerd door het gemiddelde af te trekken en te delen door de standaardafwijking om vergelijkingen tussen de verschillende maatstaven voor pornografiegebruik mogelijk te maken (deze benadering is gelijk aan het converteren van elk van de maatregelen in een Z-score).

Tabel 3. Correlaties tussen religiositeit of conservatisme op staatsniveau en elke maatstaf
van pornografisch gebruik.

In het oorspronkelijke onderzoek gaven MacInnis en Hodson (2014) resultaten op basis van Google Trends-gegevens afzonderlijk voor specifieke zoektermen zoals seks, porno en XXX, vergelijkbaar met de termen die we gebruiken in onze Google Trends-meting. De resultaten in de eerste rij van Tabel 3 laten zien dat we in de meeste gevallen ook een statistisch significante relatie tussen religiositeit en conservatisme vinden als we de gegevens van Google Trends gebruiken. Uit de andere rijen in Tabel 3 blijkt echter dat we een veel zwakkere statistische relatie krijgen als we een van de andere drie gegevensbronnen gebruiken. Deze resultaten suggereren dat als MacInnis en Hodson (2014) een van de andere drie gegevensbronnen hadden gebruikt, ze in hun artikel waarschijnlijk tot een andere conclusie zouden zijn gekomen over de sterkte van de relatie die ze onderzochten.

Het feit dat MacInnis en Hodson (2014) een statistisch significante relatie vinden tussen religiositeit op staatsniveau en pornografiegebruik op staatsniveau is interessant gezien het feit dat uit eerdere onderzoeken met gegevens op individueel niveau blijkt dat individuen die regelmatig naar de kerk gaan veel minder geneigd zijn pornografie te gebruiken ( Doran & Price, 2014; Patterson & Price, 2012; Stack, Wasserman, & Kearns, 2004). Dit type patroon waarin relaties op groepsniveau tegengesteld zijn aan die op individueel niveau, is ook aangetroffen in de relatie tussen opleiding en religie (Glaeser & Sacerdote, 2008) en de relatie tussen inkomen en politieke overtuiging (Glaeser & Sacerdote, 2007). XNUMX).

Discussie

Elk van de hierboven besproken gegevensbronnen geeft een ander dwarsdoorsnedebeeld van de online pornografie-industrie weer, en elk heeft belangrijke kwetsbaarheden voor onderzoekers die geïnteresseerd zijn in het algemene niveau van pornografisch gebruik door de staat. NFSS-enquêtegegevens geven bijvoorbeeld waarschijnlijk te weinig informatie over de consumptie van pornografie vanwege sociale wenselijkheid en het gebrekkige geheugen van de proefpersonen. De gegevens van Google Trends kunnen geen pornografisch gebruik vastleggen dat toegankelijk is via andere middelen dan een Google-zoekopdracht. Pornhub- en betaalde abonnementsgegevens kunnen beperkt zijn in hun representativiteit; ze meten het gebruik met betrekking tot slechts één bedrijf in de sector.

Wanneer gegevens uit welke bron dan ook in onderzoek worden gebruikt, moeten de resultaten worden gepresenteerd in de context van de gegevens die tot die resultaten hebben geleid. Er ontstaan ​​problemen wanneer individuen een bepaalde gegevensbron ten onrechte interpreteren als representatief voor de hele porno-industrie. Er zijn veel andere situaties waarin soortgelijke niet-representatieve gegevens ten onrechte overgegeneraliseerd kunnen worden. Onderzoekers en individuen moeten zich bewust zijn van de externe validiteit van hun bevindingen, terwijl de media en lezers moeten oppassen dat ze de resultaten niet overgeneraliseren.

We erkennen ook een beperking van onze gegevensbronnen in die zin dat ze de pornografische industrie op verschillende historische momenten vastleggen; Google Trends (2013-2014), betaald abonnement (2006-2008), Pornhub (2013) en NFSS (2012). Gegevens over betaalde abonnementen werden ongeveer zes tot zeven jaar vóór de andere bronnen verzameld. Dit tijdsverschil kan onze resultaten vertekenen, maar de algemene trends in de gegevensbronnen als geheel zijn van dien aard dat wij van mening zijn dat onze bevindingen accuraat zijn. Grote verschuivingen in het relatieve gebruik van pornografie tussen staten tussen 6 en 7 zouden nodig zijn om deze bias te laten optreden, wat naar onze mening onwaarschijnlijk is.

Bij pogingen om individuen te rangschikken met betrekking tot een bepaalde vorm van activiteit, moeten meerdere bronnen (indien beschikbaar) worden bekeken omwille van contrasterende resultaten. Als de ordeningen vergelijkbaar zijn, kan de nauwkeurigheid ervan gemakkelijker worden aangenomen. Mochten ze van mening verschillen, dan ontstaat er een kans om meer over de kwestie te begrijpen. In ons specifieke geval zullen de verschillen waarschijnlijk ontstaan ​​omdat de bronnen verschillende soorten pornografisch gebruik vastleggen.

Eerder onderzoek naar het gebruik van pornografie heeft betrekking op de mate waarin dit van invloed kan zijn op belangrijke interessegebieden zoals echtscheiding, geluk, productiviteit van werknemers en seksueel geweld (Bergen & Bogle, 2000; Doran & Price, 2014; Patterson & Price, 2012; Young & Geval, 2004). Wanneer dergelijk onderzoek wordt uitgevoerd, moeten de gegevens afkomstig zijn uit een betrouwbare en generaliseerbare bron (of bronnen). Resultaten en bevindingen van dergelijke effecten moeten ook worden bekeken in het licht van de leeftijd, het geslacht en de seksuele identiteit van individuen – factoren die in dit artikel niet in aanmerking worden genomen (Sevcikova & Daneback, 2014; Stoops, 2015; Traeen & Daneback, 2013). ; Tripodi et al. 2015). Bij dergelijke onderzoeksmogelijkheden kan pornografisch gebruik door de staat een rol spelen in de analyse. Gezien de resultaten van dit artikel moet bij een dergelijke regressie zwaar rekening worden gehouden met de gegevensbron van een dergelijke variabele en moet het resultaat worden geïnterpreteerd in de context van de gegevensbron.

Conclusie

Gegevens die door specifieke bedrijven worden verstrekt, kunnen belangrijke inzichten verschaffen in publieke kwesties. Een grote uitdaging is het bepalen wanneer de data van één enkel bedrijf, zelfs een heel groot bedrijf, inzichten kunnen opleveren die representatief zijn voor de hele populatie. Ervan uitgaande dat de relatieve pornografiecijfers tussen staten tussen 2006 en 2013 geen grote veranderingen hebben ondergaan, suggereren de resultaten van ons artikel dat in sommige gevallen de informatie van een enkel bedrijf een misleidend beeld kan geven van de geografische patronen van een specifiek gedrag. Dit kan met name belangrijk zijn voor pornografisch gebruik, aangezien de overgrote meerderheid van de personen die online toegang krijgen tot pornografie alleen toegang heeft tot gratis inhoud in plaats van een betaalde site te gebruiken (Doran, 2008).

De resultaten van dit artikel zijn gebaseerd op vier verschillende gegevensbronnen over pornografisch gebruik, waaronder twee die nationaal representatieve gegevens bevatten (Google Trends en NFSS). We vinden een significante correlatie tussen drie van onze gegevensbronnen, wat erop wijst dat ze allemaal een soortgelijk onderliggend patroon in pornografisch gebruik in verschillende staten weerspiegelen. Daarentegen correleren betaalde abonnementsgegevens, de enige bron die behoorlijk wat media-aandacht heeft gekregen, eigenlijk nogal slecht met de andere bronnen. We laten ook zien dat keuzes uit verschillende databronnen van invloed kunnen zijn op de conclusies die studies trekken en suggereren dat toekomstige studies gevoeligheidstests uit verschillende databronnen zullen omvatten bij het onderzoeken van kwesties waarvoor het een uitdaging is om een ​​ideale maatstaf voor het specifieke gedrag te krijgen.

Referenties