Cyber Bulling Among Learners in Higher Educational Institutions in Sub-Saharan Africa: Examining Challenges and Possible Mitigations
Notice bibliographique
Résumé
Proliferation of technology in the form of internet, mobile phone and social media access and usage is exposing many youths to cyber bullying activities. Cyber bullying activities are viewed as negative consequences of growth and development in technology. Many of the victims of cyber bullying include those that have been trapped in the technology through obsessive and addictive behaviours. The study was conducted in order to understand cyber bullying in educational institutions in Sub- Saharan Africa. The study is guided by the following five objectives: understanding cyber bullying and its manifestations among learners in education institutions; explore contributing factors in education institutions; determine the prevalence of cyber bullying in education institutions; examine the effects of cyber bullying among learners in education institutions and determine ways of dealing with cyber bullying among learners in education institution. The study adopted a case study approach and involved 123 respondents with a response rate of 64% (n=192). A survey questionnaire was used to collect data. Resulting data was analysed using statistical package for social sciences (SPSS). Evidence suggests that cyber bullying has serious psychological harm on the victims some leading to suicidal thoughts and suicide, among others. The study concludes that the effects of cyber bullying are far reaching and devastating to the learners and the institutional safety as well. The study recommends that more research and awareness are needed in an effort to control this menace and make outreaching and learning institutions safe.
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 | 0,000 | 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 | 0,000 |
| 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 ».