Mood and Suicidality among Cyberbullied Adolescents: A Cross-Sectional Study from Youth Risk Behavior Survey
Notice bibliographique
Résumé
Background: There is limited literature available showing the mental health burden among adolescents following cyberbullying. Objective: The aim was to evaluate the association between low mood and suicidality among cyberbullied adolescents. Method: A cross-sectional analysis of the data was performed among adolescents from the National Youth Risk Behavior Surveillance System. Responses from adolescents related to cyberbullying and suicidality were evaluated. Chi-square and mix-effect multivariable logistic regression analysis was performed to determine the association of cyberbullying with sadness/hopelessness and suicide consideration, plan, and attempts. Results: Of a total of 8274 adolescents, 14.8% of adolescents faced cyberbullying past year. There was a higher prevalence of cyberbullying in youths aged 15, 16, and 17 years (25%, 26%, 23%, respectively), which included more females than males (68% vs. 32%; p < 0.0001). Caucasians (53%) had the highest number of responses to being cyberbullied compared to Hispanics (24%) or African Americans (11%; p < 0.0001). There was an increased prevalence of cyberbullied youths, feelings of sadness/hopelessness (59.6% vs. 25.8%), higher numbers considering suicide (40.4% vs. 13.2%), suicide plan (33.2% vs. 10.8%), and multiple suicidal attempts in comparison to non-cyberbullied (p < 0.0001). On regression analysis, cyberbullied adolescents had a 155% higher chance of feeling sad and hopeless [aOR = 2.55; 95%CI = 2.39–2.72] and considered suicide [aOR = 1.52 (1.39–1.66)] and suicide plan [aOR = 1.24 (1.13–1.36)]. Conclusion: In our Study, cyberbullying was associated with negative mental health outcomes. Further research is warranted to examine the impact of cyberbullying among adolescents and guiding the policies to mitigate the consequences.
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 | 0,001 |
| 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 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 ».