Social epidemiology of online dating in U.S. early adolescents
Notice bibliographique
Résumé
OBJECTIVE: To investigate the prevalence and sociodemographic associations of online dating in a demographically diverse U.S. national cohort of early adolescents. METHODS: We analyzed cross-sectional data from the Adolescent Brain Cognitive Development Study (Year 2, 2018-2020, ages 11-12; N = 10,157). Multivariable logistic regression analyses were employed to estimate associations between sociodemographic factors (e.g., age, sex, race/ethnicity, sexual orientation, household income, parental education) and early adolescent-reported online dating behaviors. RESULTS: Overall, 0.4% (n = 38) of participants reported ever using a dating app. Males (AOR 2.72, 95% CI 1.11-6.78) had higher odds of online dating compared to females, and sexual minority identification (e.g., lesbian, gay, or bisexual; AOR 12.97, 95% CI 4.32-38.96) was associated with greater odds of online dating compared to heterosexual identification. CONCLUSION: Given the occurrence of online dating among early adolescents despite age restrictions, interventions might address age misrepresentation. Adolescent sexual health education may consider incorporating anticipatory guidance on online dating, especially for males and sexual minorities. Future research could further investigate online dating patterns from early to late adolescence and associated health effects.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».