Modeling the pathways from antisocial media exposure to subjective well-being through school-based victimization in Nigeria
Notice bibliographique
Résumé
The pervasive integration of digital media into daily life is reshaping how individuals encounter and internalize harmful contents. Unrestricted access exposes students to emotionally disruptive materials, including depictions of violence, substance use, and harassment, raising concerns about its impact on well-being. This study examines a serial mediation model linking antisocial media exposure to subjective well-being (SWB) through school-based victimization as sequential pathways. Using data from 326 high school students in Nigeria, we applied partial least squares structural equation modeling to test hypothesized relationships. Results indicate that antisocial media exposure was not directly associated with SWB but significantly predicted experiences of teacher and peer victimization. Peer victimization mediated the relationship between antisocial media exposure and SWB (β = -0.023, 95% CI: [-0.054, -0.004], p < 0.05). Furthermore, antisocial media exposure increased the likelihood of teacher victimization, which facilitated peer victimization, ultimately compromising SWB (β = -0.030, 95% CI: [-0.058, -0.011], p < 0.05). Effects varied by gender and academic level, underscoring intersectional risks linked to media exposure. Findings highlight the need for targeted interventions addressing both teacher and peer victimization in resource-constrained educational contexts.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».