Digital media use, depressive symptoms and support for violent radicalization among young Canadians: a latent profile analysis
Notice bibliographique
Résumé
BACKGROUND: Despite the prominent role that digital media play in the lives and mental health of young people as well as in violent radicalization (VR) processes, empirical research aimed to investigate the association between Internet use, depressive symptoms and support for VR among young people is scant. We adopt a person-centered approach to investigate patterns of digital media use and their association with depressive symptoms and support for VR. METHODS: = 5.44 ; 59% women) responded to an online questionnaire. We used latent profile analysis to identify patterns of digital media use and linear regression to estimate the associations between class membership, depressive symptoms and support for VR. RESULTS: We identified four classes of individuals with regards to digital media use, named Average Internet Use/Institutional trust, Average internet use/Undifferentiated Trust, Limited Internet Use/Low Trust and Online Relational and Political Engagement/Social Media Trust. Linear regression indicated that individuals in the Online Relational and Political Engagement/Social Media Trust and Average Internet Use/Institutional trust profiles reported the highest and lowest scores of both depression and support for VR, respectively. CONCLUSIONS: It is essential to tailor prevention and intervention efforts to mitigate risks of VR to the specific needs and experiences of different groups in society, within a socio-ecological perspective. Prevention should consider both strengths and risks of digital media use and simulteaneously target both online and offline experiences and networks, with a focus on the sociopolitical and relational/emotional components of Internet use.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 ».