Effets de l'utilisation d'instagram sur l'insatisfaction corporelle des jeunes femmes
Bibliographic record
Abstract
L’utilisation d’Instagram (IG) peut influencer négativement l’image corporelle des jeunes en transition à la vie adulte, alors qu’ils sont plus réceptifs aux influences médiatiques. Les effets négatifs de l’utilisation d’IG sont particulièrement importants chez les jeunes femmes. Peu d’études se sont intéressées spécifiquement à IG et au rôle que peut jouer la littératie médiatique dans sa relation avec l’insatisfaction corporelle. Le présent projet s’intéresse aux liens entre l’utilisation d’IG et l’insatisfaction corporelle chez les Québécoises âgées de 18 à 24 ans, ainsi qu’au rôle médiateur de la littératie médiatique. L’échantillon comporte 77 participantes âgées en moyenne de 21 ans. Le questionnaire en ligne utilisé dans cette étude est composé d’un questionnaire maison, d’une traduction de 10 items du Media Attitudes Questionnaire (MAQ) et de l’Échelle d’Estime Corporelle. Les résultats montrent que la fréquence d’utilisation d’IG est corrélée significativement et négativement à l’insatisfaction corporelle et que cette relation n’est pas médiée ni modérée par la littératie médiatique. Cette recherche permet de pallier certaines lacunes identifiées dans les écrits consultés. Elle éclaire notamment le caractère multifactoriel de la relation entre l’utilisation d’IG et l’insatisfaction corporelle. Elle fournit également des pistes d’intervention intéressantes autour des notions de body positivity et de littératie médiatique.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".