Cyberbullying definitions and measurements in children and adolescents: Summarizing 20 years of global efforts
Notice bibliographique
Résumé
Despite numerous instruments existing to assist in the measurement of specific cyberbullying behaviors or cyberbullying in general, it is still unclear their purpose, corresponding scenarios, and their effectiveness. This study, therefore, aims to provide a comprehensive review of academic efforts on cyberbullying definitions, measurements, and their effectiveness in children and adolescents in the past two decades. A systematic review was performed using ASReview, an open source machine learning systematic review system. Three bibliographic citation databases, including Web of Science core collection, PubMed, and EBSCO were adopted for all relevant literature published from January 2001 to August 2021. In total, twenty-five studies, mentioning seventeen cyberbullying measurement scales, met the study collection criteria. The results found that most failed to provide a clear definition of cyberbullying, often providing unclear and inconsistent descriptions for the youth. Similarly, studies found it difficult to clearly reflect the three key elements of bullying, namely: harmfulness, repetitiveness, and the power imbalance between bullies and victims. With regard to cyberbullying types, most presented two or three categories, including victimization, perpetration, and bystanding, while some suggested four types based on the nature of the cyberbullying behavior, including written or verbal, visual or sexual, character impersonation, and exclusion. If characteristics are considered, cyberbullying becomes more specific with multiple categories being proposed, including flaming (or roasting), harassment, denigration, defamation, outing, jokes, online sexual harassment, and cyberstalking. With regard to measurements, many scales have been proposed and frequently refined to capture specific cyberbullying experience of the youth. This study emphasizes the value and importance of providing clear cyberbullying definitions and helps scholars in youth cyberbullying choose appropriate measurement scales.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,040 | 0,043 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».