Preventing Aggressive and Violent Behavior: Using Prevention Programs to Study the Role of Peer Dynamics in Maladjustment Problems
Notice bibliographique
Résumé
Two processes in the relationships between children have been associated with adverse developmental outcomes in children, namely, peer rejection and affiliation with deviant peers. In numerous studies, both of these processes have been linked not only to negative outcomes, including aggression, delinquency, violence, but also to school failure or internalizing problems. However, we yet have to understand the exact role of peer dynamics in the development towards maladjustment. Many prevention programs aim at manipulating peer dynamics in their effort to prevent aggression and violence. Apart from studying the effectiveness of such programs, these programs can provide valuable insight through which peer dynamics are linked with aggression and violence. In this study, we review prevention programs that studied the role of peer dynamics in the development to aggression and violent behaviors. First, we shortly describe the processes of peer rejection and deviant friends’ affiliation. We then review three types of intervention programs: programs in unstructured settings, universal classroom-based programs, and targeted intervention aimed at the direct manipulation of peer processes. From these studies, we demonstrate that intervention success (and also intervention failure) is, to an extent, accounted for by peer dynamics. Implications for further research are discussed. We conclude that although preventive interventions that aim at manipulating the social context of children are promising, we should be cautious with a large-scale implementation of such programs as our knowledge of peer dynamics is yet too limited to ascertain the absence of unexpected negative effects.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».