Vers un modèle écologique de la victimisation en milieu scolaire
Notice bibliographique
Résumé
Cet article s’inspire de la perspective écologique pour vérifier la contribution des effets de facteurs individuels, contextuels et environnementaux sur le risque de victimisation en milieu scolaire. L’accent est mis particulièrement sur le rôle des gardiens potentiels, des superviseurs et des victimes. Pour ce faire, un questionnaire a été administré aux élèves de 16 écoles primaires d’une région urbaine du Québec (N = 838) afin de sonder leurs expériences de violence en milieu scolaire. Les données ont été analysées à l’aide d’un modèle linéaire hiérarchique généralisé (MLHG), ce qui permet d’intégrer simultanément des variables sur le plan de l’école et de l’élève. Les résultats indiquent que 44,2 %, 74 % et 22,3 % des élèves ont été respectivement victimes de violence physique, verbale et sur Internet au cours du dernier mois. Les résultats montrent que l’adoption de comportements violents augmente le risque de victimisation verbale et physique chez les élèves. Les interventions des témoins (gardiens potentiels) réduisent significativement le risque de victimisation tout comme l’autodéfense de la part des victimes. Demander de l’aide aux superviseurs (enseignants, surveillants ou parents) accroît le risque de victimisation. Inciter les témoins à intervenir représente une piste qui pourrait être éventuellement intégrée aux programmes de prévention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».