The perspective of university students on the availability and effectiveness of cyberbullying prevention and response initiatives on campus: Virtual semi-structured interviews on resources, barriers, and solutions
Notice bibliographique
Résumé
Cyberbullying is a problem in educational settings, and much of the research has focused on the development of effective prevention and response initiatives. Because of the vulnerability of children, cyberbullying research and intervention programs have largely targeted elementary students. A growing body of research has shown that cyberbullying is not limited to elementary settings, but the problem is also prevalent in postsecondary institutions, with potentially severe negative consequences. Yet, there is a gap in research about interventions tailored to this life stage. To address this gap, we conducted virtual semistructured interviews through Zoom with 21 university students on the availability and the effectiveness of prevention and response initiatives on campus, existing barriers, and potential solutions. We found that university students were concerned about a lack of available initiatives, and they identified several barriers, including a lack of cyberbullying conversations occurring on campus, limited knowledge about the impacts of cyberbullying on university students, and stigmatization associated with cybervictimization, which made it difficult for students to openly talk about their experiences. To remedy these barriers, university students offered several solutions: increasing education for postsecondary students, faculty, staff, and support teams; conducting studies examining cyberbullying from the unique life stage perspective of young adulthood and employing an ecological point of view; and finally, creating age-appropriate cyberbullying resources, such as flyers, webpages, and anonymous reporting systems. A central theme across these solutions was the need for conversations around cyberbullying experiences at the postsecondary level, as students perceived that it was treated as a taboo topic.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».