The Relationship Between Social Media and Body Image in Adult Women: Implications for Counselling Practice
Notice bibliographique
Résumé
Social media is a significant component in the lives of people across generations. In this paper, social media refers to online applications (APPs) or websites that allow users to share personal content, seek information, and engage with one another. Some social media platforms include Instagram, Facebook, Twitter, TikTok, YouTube, and Snapchat. In the past, traditional media and social media platforms showcased individuals meeting thin body ideals (Jiotsa et al., 2021). Social media platforms have expanded to include a wide range of body types and shifted towards inclusivity and a culture of body positivity (Hynnä & Kyrölä., 2019). With many adults accessing social media, it is prudent to understand how it may impact the way older individuals view themselves and their behaviour. Reports show that 97.9% of Canadian individuals aged 15–24 own a smartphone, with over half using their phone every 30 minutes, and these numbers are stable as people age (Statistics Canada, 2018). Research surrounding the effects of social media can help uncover who is prone to the possible negative implications of social media use and what steps to take toward education and prevention. The main objective of this research is to uncover the relationship between social media and the body image of adult women and what action mental health professionals can take to minimize the negative consequences of media use. I hope to address the following research questions: How does social media influence adult women’s body image and perception of self, and what interventions can be implemented to support and educate adults using social media to prevent negative consequences?
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».