Linguistic Analysis of Preschool Literature Related to Peer Victimization
Notice bibliographique
Résumé
Abstract Peer victimization occurs in various social contexts, including among preschool children. As language socialization often occurs through children’s literature, interventions have frequently utilized picture books with young children. As words convey psychological meaning, the current study utilized linguistic analysis to determine how the words of bully characters and victim characters differed. The Linguistic Inquiry and Word Count program was used to evaluate the bully and victim transcripts from 69 books written in English on differential use of emotional language, cognitive language, temporal focus of language, overall style of language, and first-person-centered pronoun usage. Books selected included popular children’s books written in English, appropriate for age groups 3 − 5, and published in the countries of the United States, Canada, and England. Popular children’s books were identified using a list created by Oppliger and Davis ( Early Childhood Education Journal, 44 (5), 515–526, 2016) that delineated books following a traditional storyline circulated to groups aged 3 − 5 with high internet sale rankings. The language used by bully and victim characters differed in several significant ways related to specific emotion, insight, temporal focus, authenticity, analytical thinking, gendered language, and first person-centered pronoun usage suggesting the social impact of storytelling on children’s understanding of bullies and victims. Implications surrounding the role of language socialization and the use of children’s literature for bully prevention programs are discussed.
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 | 0,004 | 0,008 |
| 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) | 0,004 | 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 ».