What Antibullying Program Designs Motivate Student Intervention in Grades 5 to 8?
Notice bibliographique
Résumé
Educators detect and intervene in a small proportion of bullying incidents. Although students are present when many bullying episodes occur, they are often reluctant to intervene. This study explored attributes of antibullying (AB) programs influencing the decision to intervene. Grade 5, 6, 7, and 8 students (N = 2,033) completed a discrete choice experiment examining the influence of 11 AB program attributes on the decision to intervene. Multilevel analysis revealed 6 latent classes. The Intensive Programming class (28.7%) thought students would intervene in schools with daily AB activities, 8 playground supervisors, mandatory reporting, and suspensions for perpetrators. A Minimal Programming class (10.3%), in contrast, thought monthly AB activities, 4 playground supervisors, discretionary reporting, and consequences limited to talking with teachers would motivate intervention. Membership in this class was linked to Grade 8, higher dispositional reactance, more reactance behavior, and more involvement as perpetrators. The remaining 4 classes were influenced by different combinations of these attributes. Students were more likely to intervene when isolated peers were included, other students intervened, and teachers responded quickly. Latent class analysis points to trade-offs in program design. Intensive programs that encourage intervention by students with little involvement as perpetrators may discourage intervention by those with greater involvement as perpetrators, high dispositional reactance, or more reactant behavior.
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 | 0,002 | 0,004 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».