L’intervention en contexte de cyberintimidation : les pratiques des enseignants
Bibliographic record
Abstract
La cyberintimidation est une forme de violence de plus en plus préoccupante pour la société et pour le milieu scolaire. Souvent commises dans Internet ou sur le téléphone cellulaire, les agressions ont des conséquences psychologiques, sociales et scolaires très graves chez les victimes, les agresseurs et les témoins, et il est important d’intervenir adéquatement. Cette étude vise à mieux connaître les types d’intervention utilisés par les enseignants auprès des élèves qui ont des comportements de cyberintimidation et à mieux comprendre les bases qui expliquent ces choix d’intervention. Des entrevues menées auprès de 10 enseignants des 7e, 8eet 9eannées ont permis de relever leurs interventions les plus courantes pour gérer et traiter les comportements de cyberintimidation de leurs élèves, connaître leur perception de l’efficacité de ces pratiques et explorer les fondements théoriques sur lesquels ils s’appuient dans leurs choix d’intervention. L’analyse de leurs témoignages, mise en perspective avec la littérature scientifique sur le sujet, permet de proposer un nouveau modèle d’intervention auprès des auteurs de cyberintimidation. Après avoir confronté les résultats au modèle d’intervention d’Hinduja et Patchin (2009), les auteures suggèrent de nouvelles pistes d’intervention pour améliorer la formation des enseignants dans ce domaine.
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 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 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".