Physical Violence Perpetration Among College Students: Prevalence and Associations With Substance Use and Mental Health Symptoms
Notice bibliographique
Résumé
The aims of this study were to, first, report the prevalence of physical violence perpetration among a sample of college students and, second, to identify associations between physical violence perpetration, substance use, and mental health symptoms. We analyzed survey data from the Healthy Minds Study. We examined the 12-month prevalence of physical violence perpetration by gender identity from 2014–2019 ( n = 181,056). We used multivariable logistic regression analyses to estimate associations between physical violence perpetration, substance use, and mental health symptoms from the 2018–2019 survey year ( n = 43,563). Results revealed that 12-month prevalence rates of physical violence perpetration increased from 2014–2019 among male, female, and transgender/gender nonconforming college students. Results from multivariable logistic regression analyses using the 2018–2019 survey year revealed higher odds of physical violence perpetration in the previous 12 months among students who reported substance use and mental health symptoms, including vaping or e-cigarette use, illicit drug use, and nonsuicidal self-injury, among others. Our findings highlight steadily rising prevalence of physical violence perpetration from 2014–2019 among college students, indicating a growing need for more research and prevention efforts to address this problem in higher education settings. Efforts to prevent violence on college campuses should consider how to reduce substance use and improve mental health to reduce this form of violence.
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 | 0,001 | 0,001 |
| 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 ».