Ten-Year Trends in Physical Dating Violence Victimization Among Adolescent Boys and Girls in British Columbia, Canada
Notice bibliographique
Résumé
Physical dating violence (PDV) victimization among adolescents is a serious global problem. Although knowledge of trends in PDV victimization can help guide programming and health policies, little research has examined whether the prevalence of PDV victimization has increased, decreased, or remained stable over time among non-U.S.-based samples of youth. In addition, few studies have directly tested whether disparities in PDV victimization between boys and girls have narrowed, widened, or remained unchanged in recent years. To address these gaps, we used school-based data from the British Columbia Adolescent Health Survey (BC AHS) of 2003, 2008, and 2013 ( n boys = 18,441 and n girls = 17,459) to examine 10-year trends in PDV victimization. We also tested whether trends differed across self-reported sex. Data from the 2003 to 2013 BC AHS revealed that recent PDV victimization rates had significantly decreased among youth overall (5.9%-5.0%) and boys (8.0%-5.8%), but not girls (5.3%-4.2%). Although boys had steeper declines than girls in PDV victimization rates, year-by-sex interactions indicate that the sex gap in PDV victimization had not significantly narrowed. Moreover, rates of PDV victimization over the 10-year period indicated significantly higher rates of PDV victimization among boys compared with girls. Despite positive declines in recent rates of PDV victimization among youth, important differences in rates of PDV victimization between boys and girls remain. These findings underscore the need for greater attention to sex differences in research and programming and health policies to reduce PDV victimization and the sex disparities therein.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».