10. What Are the Critical Elements in Safe School Legislation to Prevent Bullying?
Notice bibliographique
Résumé
Research shows that effective school policies mean less bullying and a better school climate, but there is a limited understanding of the connection between evidence-based policy and the prevalence of bullying and victimization. The goal of this research is to determine if regional differences in policy and legislation are associated with the prevalence of bullying in Canada and the United States. Does policy predict differences at the regional level, as well as between countries? What are the critical elements within these policies and legislations that predict bullying and victimization? This study used archival data from the Canadian sample of the 2013/2014 Health Behavior in School-Aged Children (HBSC) survey. 30,153 students from across Canada participated. Each legislation was coded based on a checklist reflecting best practices in the literature. High scores reflected a large quantity of evidence based policy items. Mplus 7.3 was used for multilevel modeling, with MLR estimator to account for the non-normality of the bullying variables. This study found there were national and regional differences in the evidence-base of bullying policies. There was a negative association between the comprehensiveness of a region’s anti-bullying policy and the prevalence of bullying behaviour in that region. There is a negative relationship between the number of evidence based policy items in Canadian legislation and the prevalence of bullying and victimization. Further research is needed to explore the relationship between evidence-based policies and the prevalence of bullying and victimization over time.
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 | 0,007 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».