Cyberbullying Victimisation Was Associated With Greater Manic Symptoms in Early Adolescence: A Prospective Cohort Study
Notice bibliographique
Résumé
AIM: Cyberbullying has been linked to various adverse psychological outcomes, but prospective associations with manic symptoms in early adolescents remain unexplored. We examined the prospective relationship between cyberbullying victimisation and manic symptoms in a diverse cohort of American children and adolescents. METHOD: We analysed data from the Adolescent Brain Cognitive Development study from the period 2 follow-up (2018-2020) to the period 3 follow-up (2019-2021). Linear regression models estimated the associations between cyberbullying victimisation (lifetime and past 12 months) and manic symptoms. We adjusted for age, sex, race and ethnicity, household income, parental education, manic symptoms, anxiety, depression, total screen time, and study site. RESULTS: The average age of our 9095 adolescents (51.3% male) was 12.0 ± 0.7 years. The prevalence of cyberbullying victimisation was 9.2% for lifetime and 6.1% for the past 12 months. Adjusting for the covariates, lifetime cyberbullying victimisation was associated with a 0.41 higher manic symptom sum score (95% CI 0.18-0.65, p = 0.001), and past 12-month cyberbullying victimisation was associated with a 0.38 higher manic symptom sum score (95% CI 0.11-0.66, p = 0.007). CONCLUSION: These findings highlight the need for early identification and intervention for adolescents experiencing cyberbullying to mitigate its adverse effects on mental health.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».