Cyberbullying among Emerging Adults: Exploring Prevalence, Impact, and Coping Methods
Notice bibliographique
Résumé
Cyberbullying has been a concern among adolescents, parents and educators for years for its seemingly boundless reach and potential harm it can cause. Aggressors are often masked with anonymity and targeted individuals may feel powerless over what others do online. While such issues and concerns are prevalent among adolescent ages, college students are not invulnerable from parallel experiences. In the US, Macdonald and Roberts-Pittman (2010) found less than ten percent of college students were cyberbullies but over one-fifth reported as cybervictims. This study explored prevalence of cyber victimization and perpetration as well as evidence of damaging effects and impact. Among the college student sample of 1,921, participants were 18-25 years (mean age 20.1), just over half Caucasian (55.5%) and female (67.9%). Results indicated victimization most often occurred through phones (19.9%) and social networks (20.4%). For perpetration, prevalence was low across all platforms, however phone use was the preferred means of attacking others (6.5%). Low self-esteem was a significant predictor for victimization and perpetration. For males only, social capital was a significant predictor of victimization. Future directions and recommendations for follow-up studies are discussed as well as the importance of this study in relation to college student activities and behaviors.
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 | 0,000 |
| 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) | 0,001 | 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 ».