Adverse childhood experiences and early adolescent cyberbullying in the United States
Notice bibliographique
Résumé
INTRODUCTION: With the increasing use of social media and online platforms among adolescents, the relationship between traumatic life events and cyberbullying remains unclear. This study aimed to determine the associations between adverse childhood experiences (ACEs) and cyberbullying victimization among a racially/ethnically and socioeconomically diverse sample of early adolescents. METHODS: We analyzed longitudinal data from 10,317 participants in the Adolescent Brain Cognitive Development (ABCD) study, baseline (2016-2018, ages 9-10 years) to Year 2. Logistic regression analyses were used to estimate associations between ACEs and cyberbullying victimization, adjusting for sex, race/ethnicity, country of birth, household income, parental education, and study site. RESULTS: In the sample (48.7% female, 46.0% racial/ethnic minority), 81.3% of early adolescents reported at least one ACE, and 9.6% reported cyberbullying victimization. In general, there was a dose-response relationship between the number of ACEs and cyberbullying victimization, as two (adjusted odds ratio [AOR]: 1.45, 95% confidence interval [CI]: 1.13-1.85), three (AOR: 2.08, 95% CI: 1.57-2.74), and four or more (AOR: 2.37, 95% CI: 1.61-3.49) ACEs were associated with cyberbullying victimization in adjusted models. In models examining the specific type of ACE, sexual abuse (AOR: 2.27, 95% CI: 1.26-4.11), physical neglect (AOR: 1.61, 95% CI: 1.24-2.09), and household mental health problems (AOR: 1.39, 95% CI: 1.18-1.65) had the strongest associations with cyberbullying victimization. CONCLUSION: Adolescents who have experienced ACEs are at greater risk for experiencing cyberbullying. Interventions to prevent cyberbullying could use a trauma-informed framework, including inter-peer interventions to break this cycle of trauma.
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 | 0,000 | 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 ».