Gender Differences in Bullying Reflect Societal Gender Inequality: A Multilevel Study With Adolescents in 46 Countries
Notice bibliographique
Résumé
PURPOSE: Social patterns in bullying show consistent gender differences in adolescent perpetration and victimization with large cross-national variations. Previous research shows associations between societal gender inequality and gender differences in some violent behaviors in adolescents. Therefore, there is a need to go beyond individual associations and use a more social ecological perspective when examining gender differences in bullying behaviors. The aim of the present study was twofold: (1) to explore cross-national gender differences in bullying behaviors and (2) to examine whether national-level gender inequality relates to gender differences in adolescent bullying behaviors. METHODS: Traditional bullying and cyberbullying were measured in 11-year-olds to 15-year-olds in the 2017/18 Health Behaviour in School-aged Children study (n = 200,423). We linked individual data to national gender inequality (Gender Inequality Index, 2018) in 46 countries and tested their association using mixed-effects (multilevel) logistic regression models. RESULTS: Large cross-national variations were observed in gender differences in bullying. Boys had higher odds of perpetrating both traditional and cyberbullying and victimization by traditional bullying than girls. Greater gender inequality at country level was associated with heightened gender differences in traditional bullying. In contrast, lower gender inequality was associated with larger gender differences for cyber victimization. DISCUSSION: Societal gender inequality relates to adolescents' involvement in bullying and gendered patterns in bullying. Public health policy should target societal factors that have an impact on young people's behavior.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».