The Development of an Instagram Reel-Based Bystander Intervention Message Among College Students: Formative Survey and Mixed Methods Pilot Study
Notice bibliographique
Résumé
Background: Bystander intervention is a common method to address the ubiquitous issue that is sexual violence across college campuses. Short messages that incentivize bystander intervention behavior can be another tool to fight sexual violence. Objective: This study aimed to conduct formative research surrounding social norms and bystander barriers to pilot and develop Instagram (Meta) reel-based messages addressing bystander intervention among college students. Methods: The first step was to conduct a formative survey to identify peer norms and actual behavior of the intended population. Once that data were collected, a mixed methods message pilot was conducted by a survey where participants randomly saw 5 of the 12 messages developed, assessing them for credibility, perceived message effect, and intended audience. Results: The formative survey was conducted among 195 college students from the same institution, and the pilot test was conducted among 107 college students. The formative survey indicated a discrepancy between perceived peer behavior and actual behavior of the participants in all 3 measures, allowing for the development of normative messaging. The pilot testing indicated the credibility was acceptable (eg, mean 3.94, SD 1.15 on a 5-point scale) as well as the perceived message effect (eg, mean 4.26, SD 0.94 on a 5-point scale). Intended audiences were also identified and reached. Qualitative results indicated that the messages may have lacked credibility, although the quantitative results suggest otherwise. Conclusions: Participants understood the messages concerned bystander intervention, and perceived message effects results indicated the messages to be effective in assisting bystander intervention engagement by normative messaging. Messages were considered credible and reached the intended audience. The qualitative results provided further insights on how the messages can be adapted before being tested for effects. Future research should focus on further adapting the messages and testing their effects among the studied population.
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 | 0,025 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».