Isolation, cohesion and contingent network effects: the case of school attachment and engagement
Notice bibliographique
Résumé
Abstract Isolation and cohesion are two key network features, often used to predict outcomes like mental health and deviance. More cohesive settings tend to have better outcomes, while isolates tend to fare worse than their more integrated peers. A common assumption of past work is that the effect of cohesion is universal, so that all actors get the same benefits of being in a socially cohesive environment. Here, we suggest that the effect of cohesion is universal only for specific types of outcomes. For other outcomes, experiencing the benefits of cohesion depends on an individual’s position in the network, such as whether or not an individual has any social ties. Network processes thus operate at both the individual and contextual level, and we employ hierarchical linear models to analyze these jointly to arrive at a full picture of how networks matter. We explore these ideas using the case of adolescents in schools (using Add Health data), focusing on the effect of isolation and cohesion on two outcomes, school attachment and academic engagement. We find that cohesion has a uniform effect in the case of engagement but not attachment. Only non-isolates experience stronger feelings of attachment as cohesion increases, while all students, both isolates and non-isolates, are more strongly engaged in high cohesion settings. Overall, the results show the importance of taking a systematic, multi-level approach, with important implications for studies of health and deviance.
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 | 0,009 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».