Cyberbullying and Sleep Disturbance Among Early Adolescents in the U.S.
Notice bibliographique
Résumé
OBJECTIVE: To determine the association between cyberbullying (victimization and perpetration) and sleep disturbance among a demographically diverse sample of 10-14-year-old early adolescents. METHODS: We analyzed cross-sectional data from the Adolescent Brain Cognitive Development (ABCD) Study (Year 2, 2018-2020) of early adolescents (10-14 years) in the US. Modified Poisson regression analyses examined the association between cyberbullying and self-reported and caregiver-reported sleep disturbance measures. RESULTS: In a sample of 9,443 adolescents (mean age 12.0 years, 47.9% female, 47.8% white), 5.1% reported cyberbullying victimization, and 0.5% reported cyberbullying perpetration in the past 12 months. Cyberbullying victimization in the past 12 months was associated with adolescent-reported trouble falling/staying asleep (risk ratio [RR] 1.87, 95% confidence interval [CI] 1.57, 2.21) and caregiver-reported overall sleep disturbance of the adolescent (RR: 1.16 95% CI 1.00, 1.33), in models adjusting for sociodemographic factors and screen time. Cyberbullying perpetration in the past 12 months was associated with trouble falling/staying asleep (RR 1.95, 95% CI 1.21, 3.15) and caregiver-reported overall sleep disturbance of the adolescent (RR: 1.49, 95% CI 1.00, 2.22). CONCLUSIONS: Cyberbullying victimization and perpetration are associated with sleep disturbance in early adolescence. Digital media education and counseling for adolescents, parents, teachers, and clinicians could focus on guidance to prevent cyberbullying and support healthy sleep behavior for early adolescents.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».