Mood and suicidality amongst cyberbullied adolescents- a cross-sectional study from youth risk behavior survey
Notice bibliographique
Résumé
Introduction There is a limited literature available showing mental health burden among adolescents following cyberbullying. Objectives Aim is to evaluate the association of low mood and suicidality amongst cyberbullied adolescents. Methods A study on CDC National Youth Risk Behavior Surveillance (YRBS) (1991-2017). Responses from adolescence related to cyberbullying and suicidality were evaluated. Chi-square and mix-effect multivariable logistic regression analysis was performed to find out the association of cyberbullying with sadness/hopelessness, suicide consideration, plan, and attempts. Results A total of 10,463 adolescents, 14.8% of adolescents faced cyberbullying a past year. There was a higher prevalence of cyberbullying in youths aged 15-17 years (25 vs 26 vs 23%), which included more females to males (68 vs 32%).(p<0.0001) Caucasians (53%) had the highest number of responses to being cyberbullied compared to Hispanics (24%), African Americans (11%).(p<0.0001) There was an increased prevalence of cyberbullied youths with 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 adolescence had a 155% higher chance of feeling sad and hopeless [aOR=2.55; 95%CI=2.39-2.72], considered suicide [1.52 (1.39-1.66)], and suicide plan [1.24 (1.13-1.36)]. Conclusions In our study, cyberbullying was associated with negative mental health outcomes. Further research is warranted to examine the impact and outcomes of cyberbullying amongst adolescents and guiding the policies to mitigate the consequences. Disclosure No significant relationships.
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 | 0,000 |
| 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 ».