Bystanders Join in Cyberbullying on Social Networking Sites: The Deindividuation and Moral Disengagement Perspectives
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
Bystanders Join in Cyberbullying on Social Networking Sites: The Deindividuation and Moral Disengagement Perspectives Cyberbullying on social networking sites escalates when bystanders join in the bullying. Bystanders’ joining-in behaviors reinforce the abuse, expose victims to a larger audience, and encourage further abuse by signaling their approval of the aggressive behavior. This study developed an integrative model that explains bystanders’ joining-in cyberbullying behaviors on SNSs to offer actionable insights into reducing such harmful behaviors. We tested the model using 1,179 responses using a scenario survey study. Our findings suggest that IT artifacts (including digital profile, search and privacy, relational ties, and network transparency) activated two key mechanisms that lead to cyberbullying joining-in behaviors: (i) the deindividuation experiences that attenuate self-identity and put salience on group/social identity, and (ii) the moral disengagement practices that permit the exercise of cognitive maneuvers to justify group-interested choices that do not align with social standard. The findings explain why people who do not know each other gang up to bully a target on social media. Platform owners who wish to discourage bystanders from joining in undesirable activities may consider regulating how users could share and access digital resources in a social network and should acknowledge the influence of social identity in igniting, driving, and prolonging harmful online group behaviors.
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 | 0,005 | 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 | 0,002 | 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 découle