Sending, receiving, and nonconsensually sharing nude or near‐nude images by youth
Notice bibliographique
Résumé
INTRODUCTION: There is growing evidence about the prevalence of sending, receiving, or resharing nude images by youth (sexting). Less is known about the demographic, technology use, and social context correlates of sexting. Using logistic regression, we looked at predictors of sexting behaviors in minors. METHODS: = 13.5, SD = 2.50, 60.3% females) recruited for an anonymous online survey in the United States. The survey comprised questions about demographic characteristics, sexting behaviors, technology use, attitudes, and perceived norms. The four outcomes were sending nude or near-nude images or videos (images), receiving images sent without the depicted person's knowledge, nonconsensually resharing images, or having one's own images nonconsensually reshared. RESULTS: Regression analyses showed gender, gender/sexual minority status, use of dating apps and particular online platforms, self-sharing and resharing attitudes, and friend norms predicted sending images. Age, resharing attitudes, and friend norms all predicted receiving nude images of other youths. Household income, geographic location, some online platforms, resharing attitudes, and friend norms all predicted nonconsensual resharing of nudes. Age, use of encrypted apps, and friend norms predicted having one's own image nonconsensually reshared. CONCLUSIONS: We partially replicated prior research by finding associations between age and gender. Further, we identified technology use factors including the use of dating apps and particular platforms. Attitudes about sexting and perceived friend norms were robust across sexting behaviors, suggesting these factors are potentially important for intervention.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».