Social Media Use and Cyber-Bullying: A Cross-National Analysis of Young People in 42 Countries
Notice bibliographique
Résumé
PURPOSE: Social media use (SMU) has become an intrinsic part of adolescent life. Negative consequences of SMU for adolescent health could include exposures to online forms of aggression. We explored age, gender, and cross-national differences in adolescents' engagement in SMU, then relationships between SMU and victimization and the perpetration of cyber-bullying. METHODS: We used data on young people aged 11-15 years (weighted n = 180,919 in 42 countries) who participated in the 2017-2018 Health Behaviour in School-aged Childrenstudy to describe engagement in the three types of SMU (intense, problematic, and talking with strangers online) by age and gender and then in the perpetration and victimization of cyber-bullying. Relationships between SMU and cyber-bullying outcomes were estimated using Poisson regression (weighted n = 166,647 from 42 countries). RESULTS: Variations in SMU and cyber-bullying follow developmental and gender-based patterns across countries. In pooled analyses, engagement in SMU related to cyber-bullying victimization (adjusted relative risks = 1.14 [95% confidence interval (CI): 1.10-1.19] to 1.48 [95% CI: 1.42-1.55]) and perpetration (adjusted relative risk = 1.31 [95% CI: 1.26-1.36] to 1.84 [95% CI: 1.74-1.95]). These associations were stronger for cyber-perpetration versus cyber-victimization and for girls versus boys. Problematic SMU was most strongly and consistently associated with cyber-bullying, both for victimization and perpetration. Stratified analyses showed that SMU related to cyber-victimization in 19%-45% of countries and to cyber-perpetration in 38%-86% of countries. CONCLUSIONS: Accessibility to social media and its pervasive use has led to new opportunities for online aggression. The time adolescents spend on social media, engage in problematic use, and talk to strangers online each relate to cyber-bullying and merit public health intervention. Problematic use of social media poses the strongest and most consistent risk.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».