Preventing sexual harassment through a prosocial bystander campaign: It’s #SafeToSay
Notice bibliographique
Résumé
Sexual harassment is pervasive and often hidden, occurring on a continuum of violence against women, domestic abuse, and sexual violence (VAWDASV), and often underpinned by problematic attitudes and beliefs. Bystander interventions have been shown to illicit positive outcomes in VAWDASV prevention. Therefore, the Wales Violence Prevention Unit created the #SafeToSay campaign, to encourage prosocial bystander responses against sexual harassment. The campaign was delivered in two phases. Phase One was delivered in Cardiff and Swansea, calling everyone to action. Phase Two was delivered in Swansea and specifically engaged men. Both phases received a process and outcomes evaluation using social media and website analytics, and a public perception survey. The surveys showed that members of the public felt that #SafeToSay had drawn people’s attention to an important issue and had provided them with some of the information and skills needed to take prosocial bystander action against sexual harassment. However, men had particularly negative responses to some of the social media advertisements in Phase Two. Possible explanations for this have been explored. When considering future iterations of #SafeToSay, more work is needed to understand what works in engaging men and boys in violence prevention campaigns through research, focused engagement, consultation and coproduction with this group. Similarly, refining the target audience, including exploring options for targeting other socio-demographics, should be considered. This could be achieved through behavioural insights work, such as surveys, interviews, and focus groups. This would support the development of messaging to make the campaign more relatable to the desired target audience.
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 | 0,007 | 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 | 0,003 | 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 ».