Patterns of sexting and sexual behaviors in youth: A Latent Class Analysis
Notice bibliographique
Résumé
INTRODUCTION: A sizable minority of youth are sexting; however there are likely large individual differences in sexting and sexual behaviors, yet to be captured. A Latent Class Analysis was used to identify subgroups of youth characterized by differential engagement in sexting and sexual behaviors. METHODS: Participants were an ethnically diverse sample of 894 youth (55.8% female; Mage = 17.04, SD = 0.77) from a longitudinal survey study in southeast Texas. Latent classes were identified through participants' responses to the following indicator variables: sending, receiving, and requesting sexts, sexual activity, contraception use, ≥ three partners, and substance use prior to sexual activity. Gender, ethnicity, impulsivity, and living situation were analyzed as predictors, and depressive symptoms as an outcome, of class membership. RESULTS: The analysis revealed four distinct classes: No sexting-Low sex (42.2%), Sexting-Low sex (4.5%), No sexting-Moderately risky sex (28.3%), and Sexting-Moderately risky sex (24.9%). Gender and ethnicity predicted class membership wherein females and ethnic minority youth were less likely to be in groups displaying higher rates of sexting. Impulsivity and living situation predicted class membership, such that youth reporting higher impulsivity and living in a situation other than with two biological parents were less likely to be in classes displaying low sexting and sexual behaviors. Group membership predicted depressive symptoms. CONCLUSIONS: Results suggest that not all youth who are sexting are having sex, and not all youth who are having sex are sexting. Evidence of individual differences in youth sexual behaviors should inform educational initiatives aimed at teaching youth about sexual and online health.
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) | 0,000 | 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 ».