Cyber and Face-to-Face Aggression and Bullying among Children and Adolescents
Notice bibliographique
Résumé
"The shift to face-to-face communication since the start of the global pandemic has resulted in more conflicts among children and adolescents on social media, and aggressive and bullying behaviour becoming more severe on online platforms such as Instagram, Facebook, Twitter, WhatsApp, and Signal. This book holistically discusses the theoretical foundations underlying face-to-face and cyberaggression and provides practical advice for preventing and intervening in both forms of aggression and bullying among schoolchildren and adolescents across different countries. It offers practical tools to address notable shifts in expressions of aggression from offline to online settings since the COVID-19 outbreak in both Eastern and Western contexts. With nine chapters contributed by experts from the USA, Canada, Spain, Australia, Taiwan, Mainland China, and Hong Kong, the chapters offer cross-cultural insights, new definitions, theoretical frameworks, plus preventative and intervention strategies. The book also covers protective factors and issues related to both cyber and traditional forms of bullying and aggression. The book ends by forecasting future trends regarding online and offline aggression and bullying. The prevention and intervention strategies contained within for reducing both face-to-face and cyber aggression and bullying among children and adolescents provide invaluable insights to frontliners such as educators, teachers, social workers, counselors, psychologists, parents, and policymakers. It will also appeal to researchers by providing cutting-edge knowledge and conceptualization of online and traditional aggressive and bullying behaviour"--
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 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».