Sex Differences in the Association Between Cyberbullying Victimization and Mental Health, Substance Use, and Suicidal Ideation in Adolescents
Notice bibliographique
Résumé
OBJECTIVE: To examine sex differences in the association between cyberbullying victimization and mental health (psychological distress and delinquency), substance use-related outcomes (drug and tobacco use, binge drinking), and suicide ideation among adolescents. METHOD: Data were obtained from the Ontario Student Drug Use and Health Survey (OSDUHS; 2013, N=10,272, grade 7 to 12). The sample for analysis included 4,940 students with a mean age of 15.1 years (43.3% male). A series of multi-level, binary, logistic regression models were conducted separately for female and male adolescents to quantify the strength of associations between cyberbullying victimization and study outcomes, after accounting for traditional forms of bullying and demographic covariates. RESULTS: Female adolescents reported significantly higher prevalence of cyberbullying victimization (once, 9.4%; twice or more, 13.3%) as compared with male adolescents (once, 8.3%, twice or more, 7.8%). Exposure to cyberbullying victimization was associated with an increased odds for psychological distress, suicide ideation, and delinquency among both female and male adolescents (adjusted odds ratios ranged from 1.76 to 4.63); although, the effects were more pronounced in females. Among females, but not males, the odds of reporting psychological distress, suicide ideation, and delinquency increased (in a step-wise fashion) with more frequent exposure to cyberbullying victimization. Cyberbullying victimization was associated with an increased odds of adolescent substance use only among females. CONCLUSION: Adolescents exposed to cyberbullying victimization demonstrate an increased odds of poorer mental health, substance use outcomes, and suicide ideation. The current study reveals increased risk among female adolescents as compared with male adolescents. These findings lend support for the need to develop and evaluate targeted preventative interventions specifically tailored for female and male adolescents.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».