Vers un modèle écologique de la victimisation en milieu scolaire
Bibliographic record
Abstract
Cet article s’inspire de la perspective écologique pour vérifier la contribution des effets de facteurs individuels, contextuels et environnementaux sur le risque de victimisation en milieu scolaire. L’accent est mis particulièrement sur le rôle des gardiens potentiels, des superviseurs et des victimes. Pour ce faire, un questionnaire a été administré aux élèves de 16 écoles primaires d’une région urbaine du Québec (N = 838) afin de sonder leurs expériences de violence en milieu scolaire. Les données ont été analysées à l’aide d’un modèle linéaire hiérarchique généralisé (MLHG), ce qui permet d’intégrer simultanément des variables sur le plan de l’école et de l’élève. Les résultats indiquent que 44,2 %, 74 % et 22,3 % des élèves ont été respectivement victimes de violence physique, verbale et sur Internet au cours du dernier mois. Les résultats montrent que l’adoption de comportements violents augmente le risque de victimisation verbale et physique chez les élèves. Les interventions des témoins (gardiens potentiels) réduisent significativement le risque de victimisation tout comme l’autodéfense de la part des victimes. Demander de l’aide aux superviseurs (enseignants, surveillants ou parents) accroît le risque de victimisation. Inciter les témoins à intervenir représente une piste qui pourrait être éventuellement intégrée aux programmes de prévention.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".