Social Epidemiology of Early Adolescent Cyberbullying in the United States
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To determine the prevalence and sociodemographic correlates of cyberbullying victimization and perpetration among a racially, ethnically and socioeconomically diverse population-based sample of 11-12-year-old early adolescents. METHODS: We analyzed cross-sectional data from the Adolescent Brain Cognitive Development (ABCD) Study (Year 2; N = 9429). Multiple logistic regression analyses were used to estimate associations between sociodemographic factors (sex, race/ethnicity, sexual orientation, country of birth, household income, parental education) and adolescent-reported cyberbullying victimization and perpetration. RESULTS: In the overall sample, lifetime prevalence of cyberbullying victimization was 9.6%, with 65.8% occurring in the past 12 months, while lifetime prevalence of cyberbullying perpetration was 1.1%, with 59.8% occurring in the past 12 months. Boys reported higher odds of cyberbullying perpetration (AOR 1.71, 95% CI 1.01-2.92) but lower odds of cyberbullying victimization (AOR 0.80, 95% CI 0.68-0.94) than girls. Sexual minorities reported 2.83 higher odds of cyberbullying victimization (95% CI 1.69-4.75) than nonsexual minorities. Lower household income was associated with 1.64 (95% CI 1.34-2.00) higher odds of cyberbullying victimization than higher household income, however household income was not associated with cyberbullying perpetration. Total screen time, particularly on the internet and social media, was associated with both cyberbullying victimization and perpetration. CONCLUSIONS: Nearly one in 10 early adolescents reported cyberbullying victimization. Pediatricians, parents, teachers, and online platforms can provide education to support victims and prevent perpetration for early adolescents at the highest risk of cyberbullying.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle