Investigating differences between sexters and non-sexters on attitudes, subjective norms, and risky sexual behaviours
Notice bibliographique
Résumé
Computer-mediated communication (CMC) is often used to initiate, maintain, or terminate intimate relationships and recently, such platforms have been considered an outlet for sexual communication. This has led to the emerging trend of sending sexually suggestive messages via computer devices in what is known as “sexting.” The current study expands the definition of sexting to include different types of sext content (i.e., non-sexters, less explicit, explicit, and very explicit) and modes of transmission (e.g., cell phone, social networking). Our primary goal was to determine whether sexting behaviours, risky health behaviours, attitudes and subjective norms, sensation seeking, and motivations for sexting differ across separate sexter groups (N=511). Individuals who had never sent a sext message were classified as non-sexters (n=117), those who had sent sexy word-based messages were classified as less explicit sexters (n=135), semi-nude photo or video senders were classified as explicit sexters (n=87), and individuals who had sent fully nude photos or videos were classified as very explicit sexters (n=172). Results revealed that participants who report very explicit forms of sexting had higher positive attitudes toward sexting and engaged in riskier sexual behaviours relative to explicit, less explicit and non-sexters. In general, sexters perceived more social pressure to engage in sexting and demonstrated a higher need for sensation seeking compared to non-sexters. Higher rates of alcohol consumption were found among the very explicit and explicit sexter groups compared to less explicit and non-sexters.
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 | 0,003 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».