The National Prevalence of Adolescent Dating Violence in Canada
Notice bibliographique
Résumé
PURPOSE: The national prevalence of adolescent dating violence (ADV) in Canada is currently unknown. This study presents the first nationally representative Canadian data on prevalence and correlates of ADV victimization and perpetration. METHODS: This study analyzed data from the 2017/2018 Health-Behavior in School-Aged Children (HBSC) dataset. Youth from all 10 provinces and two territories participated. The analysis sample includes 3,711 participants (mean age = 15.35) in grades 9 and 10 who reported dating experience in the past 12 months. Youth were asked to report on physical, psychological and cyber ADV victimization and perpetration. To explore correlates of ADV, we included grade in school; gender (male, female or non-binary); race/ethnicity; family structure; immigration status; family affluence; food insecurity; and body mass index. RESULTS: We found that over one in three Canadian youth who had dated experienced and/or used ADV in the past 12 months. Specifically, past 12-month ADV victimization prevalence was 11.8% (95% CI: 10.4, 13.0) for physical aggression; 27.8% (25.8, 30.0) for psychological aggression; and 17.5% (15.8, 19.0) for cyber aggression, while perpetration prevalence was 7.3% (6.2, 9.0) for physical aggression; 9.3% (8.0, 11.0) for psychological aggression; and 7.8% (6.7, 9.0) for cyber aggression. Both victimization and perpetration were highest among non-binary youth (as compared to cisgender males and females). Overall, use and experience of ADV was greatest among youth experiencing social marginalization (e.g., poverty). CONCLUSIONS: ADV impacts a substantial minority of Canadian youth, and is a serious health problem. ADV prevention programs that focus on root causes of violence (e.g., poverty) are needed.
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 | 0,003 | 0,001 |
| 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 ».