Кибербуллинг в российских школах: социально-экологический подход

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет Санкт-Петербургская школа социальных наук и востоковедения

Выпускная квалификационная работа

по направлению подготовки 39.03.01 «Социология»

Кибербуллинг в российских школах: социально-экологический подход

Будаева Александра Владимировна

Санкт-Петербург 2019

Введение

Возникновение и быстрое распространение информационных технологий позволило людям быстро получать и распространять информацию. Несомненно, такой доступ к информации имеет множество преимуществ, которые не раз обсуждались в научной среде. Однако, это также имеет ряд отрицательных сторон. Одной из этих сторон является порождение новой формы агрессии - кибербуллинга. Кибербуллинг обычно определяется как «преднамеренное и регулярное нанесение вреда, посредством электронного текста» [27, с.152]. Все больше исследователей в последнее время ссылаются на данное определение в своих работах, благодаря своей простоте и тому, что оно включает ключевые характеристики, отличающие кибербуллинг от других форм насилия. Так, кибербуллинг всегда происходит сознательно, имея цель навредить другому человеку и несет постоянный характер. Фраза «использование электронного текста» скорее означает, что кибербуллинг может происходить с использованием электронных девайсов (отправка смс-сообщений, электронных писем, материалов и так далее), нежели с использованием текста. Понимание феномена важно, чтобы правильно и вовремя распознать такое поведение и предотвратить его.

Кибербуллинг имеет ряд особенностей, которые он обретает благодаря среде, в которой он существует. Все эти особенности позволяют нанести огромный вред психологическому здоровью жертвы кибербуллинга в гораздо большем масштабе, чем если бы это происходило в реальной жизни. Жертва не может спрятаться от нападок дома, так как эти нападки могут происходить 24 часа в сутки каждый день онлайн, где бы жертва не находилась. К онлайн травле могут присоединяться в разы больше людей, чем к травле в жизни. Также не всегда возможно установить личность обидчика. Анонимность, опосредованность и почти полное отсутствие контроля - еще одни особенности кибербуллинга. И это далеко не исчерпывающий список. В результате жертвы испытывают низкую самооценку, депрессию, и даже могут предпринять попытку самоубийства [28].

По данным Microsoft, Россия занимает пятое место среди 25 стран в рейтинге с самым высоким уровнем кибербуллинга [35]. 49% детей заявили, что они были жертвами кибербуллинга. Однако тот же процент детей сказал, что они не знали, что такое кибербуллинг. Согласно исследованию IPSOS, проведенному в 2018 году, только 56% россиян когда-либо слышали о кибербуллинге [10]. В настоящее время нет убедительных данных о распространенности кибербуллинга в России. Вероятно, этот показатель растет, потому что с тех пор никаких мер по борьбе с онлайн травлей не предпринимались. Низкий уровень осведомленности о проблеме также подтверждается небольшим количеством литературы на русском языке. Высокая распространенность этого явления и низкий уровень осведомленности указывают на то, что кибербуллинг является сегодня одной из наиболее актуальных проблем в области безопасности детей и подростков.

Таким образом, цель данной работы - предоставить комплексный анализ взаимосвязи между кибербуллингом и различными характеристиками индивидуального и школьного контекста на примере российских школ.

Объектом исследования являются ученики российских школ. Предмет исследования - особенности распространения феномена кибербуллинг в российских школах.

Для достижения поставленной цели представляется целесообразным решить следующие задачи:

На основе предыдущих исследований выявить факторы, связанные с кибербуллингом на индивидуальном и школьном уровне

Проверить связь выделенных факторов с уровнем кибербуллинга в российских школах

Получить теоретические выводы и практические рекомендации.

Результаты этого исследования помогут понять природу кибербуллинга в России, а также восполнить пробел в изученности этого явления, особенно в русской литературе. Результаты исследования также могут быть полезны для разработки программ борьбы с этим явлением в российских школах.

Социально-экологический подход

Кибербуллинг - новое явление, изучение которого сегодня только набирает популярность. Большая часть литературы посвящена пониманию этого явления, с точки зрения концептуализации понятия «кибербуллинг», мер его измерения и его связи с традиционной формой буллинга [13][8]. Также авторов интересуют роли участников кибербуллинга и их характеристики [3] [21]. Однако, все эти исследования проводились на индивидуальном уровне, тогда как исследованием связи кибербуллинга и различных характеристик социального контекста занимались совсем немногие. Одним из влиятельных исследователей кибербуллинга, и буллинга в целом, является Dorothy Espelage, которая утверждает, что «кибербуллинг - это сложное явление с множественными причинными факторами и множестенными исходами» [12 p.3]. Таким образом, изучение различных контекстуальных факторов и их связи с кибербуллингом необходимо для полного понимания феномена. Социально-экологическая теория является подходящей основой для этой цели.

Теория экологических систем была предложена американским психологом Uri Bronfenbrenner'ом в 1977 году [6]. Впоследствии эта теория претерпела некоторые изменения, в том числе разрабатывалась биоэкологическая модель и включалась в модель фактор времени [5]. В основе теории лежит простая идея о том, что на развитие человека влияет его окружающая среда. Таким образом, развитие организма - есть результат комплекса прямых и непрямых взаимодействий между человеком и его окружением. Эти взаимодействия происходят в различных контекстах, которые Bronfenbrenner назвал системами. Так, в экологической модели существует пять систем: микросистема, мезосистема, экзосистема, макросистема и хроносистема. Микросистема включает в себя человека и его непосредственные контакты, например, отношения ребенка с его родителями, сверстниками или учителями. Мезосистема - это комплекс отношений между компонентами микросистем, например, взаимоотношения между родителями или школьные собрания родителей с учителями. Экзосистема - это система, которая включает в себя социальные структуры, которые содержат компоненты микросистемы и которые косвенно влияют на человека, например, работа родителей может влиять на взаимоотношения между родителями, и следовательно, на ребенка. Макросистема включает в себя компоненты всех трех систем и относится к культурам и субкультурам, которые сформировались в этом сообществе. Таковыми могут быть социальные нормы, формальные и неформальные правила, федеральные законы, образование и так далее. Автор также выделяет хроносистему, которая учитывает изменения во всех четырех системах с течением времени.

В течение почти четырех десятилетий экологическая модель применялась в различных исследованиях развития ребенка, в том числе в области традиционного буллинга. Здесь использовалась социально-экологическая модель, основанная на модели американского психолога [12]. Утверждается, что изучение буллинга должно проводиться на уровне личности, семьи, сверстников, школы, сообщества и культуры. Например, родительский контроль, насилие среди сверстников, школьный климат могут спровоцировать издевательства на уровне микросистемы, а отношения между учителями, родителями и сверстниками могут влиять на частоту издевательств на уровне мезосистемы [11].

В области кибербуллинга такие исследования встречаются гораздо реже. Тем не менее, имеющиеся исследования основаны на идее, примененной в исследованиях традиционного буллинга. Например, Donna Cross и ее коллеги применили модель к опыту киберперпетрации (совершение кибербуллинга), который также может изучаться на уровне личности, семьи, сверстников и сообщества [9]. Однако авторы добавляют также онлайн уровень, в котором, например, частота использования информационных технологий может побудить на совершение кибербуллинга. В области кибербуллинга также существуют исследования, посвященные отдельным факторам уровня сообществ. Так, например, тип сообщества, например местоположение школы или ее социо-экономический статус, также могут быть связаны с кибербуллингом [29] [26] [4]. Anke Gцrzig и ее коллеги подтверждают, что существуют различия в уровне кибербуллинга на региональном уровне и уровне страны [15]. Однако исследования, посвященные роли макросистем ограничены.

Применяя социально-экологическую рамку, для дальнейшего анализа была построена модель по схеме на рисунке 1. Так, в центре модели - жертва кибербуллинга. Уровень микросистемы включает индивида, его характеристики и его взаимоотношения с одноклассниками. Мезосистема характеризуется взаимоотношениями между сверстниками, а экзосистема - характеристиками школы. Изучение кибербуллинга на уровне макросистем и хроносистем связано с некоторыми трудностями, такими как сложность измерения культур и временных изменений.

Рисунок 1. Социально-экологическая модель кибербуллинга.

Микросистема

Чтобы оценить природу кибербуллинга, исследователи обращают особое внимание на роль социо-демографических факторов, таких как пол, возраст и расовая / этническая принадлежность. Такой интерес неудивителен, так как результаты этих исследований помогут создать портрет жертв кибербуллинга, что в свою очередь поможет определить, какие дети нуждаются в помощи.

Согласно некоторым исследованиям, существует фундаментальное различие среди девочек и мальчиков в том, кто становится жертвой, а кто становится хулиганом [34]. Теоретически, поскольку девочки наиболее подвержены психологическому насилию, а мальчики - физическому насилию, предполагается, что девочки будут более восприимчивы к кибербуллингу, чем мальчики [31]. Тем не менее, Robert S. Tokunaga также, проведя мета-анализ, сообщает, что согласно большинству исследований нет разницы между девочками и мальчиками в отношении кибербуллинга, и девочки, и мальчики одинаково вовлечены как жертвы, так и хулиганы. Также, существует несколько исследований, в которых утверждается, что мальчики чаще, чем девочки, участвуют в кибербуллинге как хулиганы, тогда как жертвами становятся девочки и мальчики одинаково [16] [1] [22]. По-видимому, это связано с тем, что мальчики в принципе имеют тенденцию совершать насилие. Тогда как тот факт, что жертвой может стать любой человек, независимо от пола, возможно, связан с тем, что в принципе гендерная идентификация в интернете уходит на второй план при кибербуллинге.

Так же, как и в исследованиях влияния гендерных различий на кибербуллинг, существует несоответствие выводов в исследованиях влияния возрастных групп. Большинство исследователей пришли к выводу, что возраст также не оказывает существенного влияния на кибербуллинг [31]. Тем не менее, некоторые исследования подтверждают связь между возрастом и онлайн-агрессией [21]. Тем не менее, сравнительный анализ исследований возрастных групп представляется невозможным из-за культурных различий, различий в методах измерения кибербуллинга и в характере выборки. Несмотря на это, практически все авторы согласны с тем, что кибербуллинг происходит в школьном возрасте [17]. Этому свидетельствует тот факт, что большая часть исследований кибербуллинга посвящена именно школьному кибербуллингу, также, как и в случае с традиционным буллингом [18].

Связь расовой, этнической или национальной принадлежности с уровнем кибербуллинга изучалась гораздо реже, чем пол и возраст. Большинство результатов исследования не показывают различий в расовых / этнических / национальных группах детей, пострадавших от кибербуллинга [19] [33]. Тем не менее, существует ряд исследований, в которых обнаружились различия в воздействии расовых/национальных меньшинств на кибербуллинг [24]. Ограниченное количество публикаций о связи между кибербуллингом и расовой, этнической или национальной принадлежностью не позволяет сделать определенные выводы, особенно в контексте российских школ.

Помимо социо-демографических характеристик авторы изучали также частоту использования интернета. Как правило, чем дольше дети сидят в интернете, тем чаще они становятся жертвами травли в интернете [30] [19].

В дополнение к индивидуальным характеристикам жертв / хулиганов, исследователи интересуются также взаимоотношениями со сверстниками и их влиянием на киберзапугивание. Дружеские отношения с одноклассниками выполняют многие важные функции развития, такие как обеспечение социальной и эмоциональной поддержки, а также возможность приобретения социальных навыков. Друзья также могут быть защитой от агрессивных атак со стороны сверстников. Напротив, плохие отношения или отсутствие друзей могут спровоцировать хулиганов на совершение агрессии. Например, существует исследование, согласно которому жертвы кибербуллинга действительно ищут социальную поддержку со стороны сверстников [2].

Мезосистема

Взаимоотношения между сверстниками, а точнее их поведение по отношению друг к другу может быть сильно связано с уровнем кибербуллинга. Безусловно, доброжелательная среда благоприятно влияет на развитие ребенка. И наоборот, частые конфликты между сверстниками могут выступать в качестве модели поведения и провоцировать человека на совершение актов насилия. В этом контексте возрастает и риск стать жертвой онлайн травли. Например, в одном из исследований было обнаружено, что наличие среди своих друзей людей, которые травят других, положительно связано с киберпертрацией [9]. Другими словами, агрессивная среда в школе может повысить восприимчивость к кибервиктимизации [7]. В этом исследовании агрессивная среда с в школе рассматривается как взаимоотношения между сверстниками.

Экзосистема

Уровень кибербуллинга в целом может различаться в различных школах, а в зависимости от различных характеристик школ может меняться и характер влияния мезосистемы и микросистемы на кибербуллинг. Например, из-за недостатка личного внимания к каждому ребенку в крупных школах может пострадать дисциплина учеников, а ввиду отсутствия контроля может произойти рост числа хулиганов. Наоборот, в маленьких школах растет уровень доверия между одноклассниками. В таких условиях агрессивная среда будет развиваться медленнее, а следовательно, и вероятность кибербуллинга. Также статус школы может иметь косвенное влияние на уровень онлайн травли. Вероятно, в гимназиях/лицеях в большей степени, чем в СОШ или ООШ, уделяется внимание роли воспитания ребенка и развития толерантности по отношению к другим детям. Таким образом, в элитных школах уровень кибербуллинга станет падать по сравнению с общеобразовательными школами. Характер кибертравли также может варьироваться в зависимости от типа сообщества, в котором находится школа. Поскольку дети в сельских школах часто имеют тесные контакты друг с другом, создается впечатление, что в сельских школах более благоприятная среда, которая снижает риск быть вовлеченным в кибербуллинг. Предполагается также, что дети из сельских школ имеют ограниченный доступ к электронным гаджетам, поэтому они не могут быть вовлечены в кибербуллинг. Роль школьных характеристик была рассмотрена в ряде исследований [25] [26].

Гипотезы

В данном исследовании приводится попытка понять, как индивидуальные характеристики, взаимоотношения с/между сверстниками и характеристиками школьного уровня могут быть связаны с опытом кибербуллинга в российских школах.

Так, на основе предыдущих исследований были выдвинуты следующие гипотезы:

Уровень кибервиктимизации различается в российских школах.

Характеристики экзоуровня значимо влияют на уровень кибербуллинга

(размером школы, типом и статусом можно предсказывать кибербуллинг)

Характеристики мезоуровня значимо влияют на уровень кибербуллинга (с ростом агрессивности, растет кибервиктимизация)

Характеристики микроуровня значимо влияют на уровень кибербуллинга

Методология

Для исследования распространенности кибербуллинга в российских школах, были использованы данные, которые предоставила научно-учебная лаборатория «Социология образования и науки». Лаборатория занимается различными исследованиями в области социологии образования, в том числе рискового поведения школьников. Данные были собраны по школам Калужской области в 2016 году и включают ответы 27 тысяч школьников с 6 по 9 класс.

Малоинформативные ответы (анкета не заполнена или заполнена не полностью) были удалены из выборки. Также из выборки были удалены маловероятные ответы (слишком высокий или низкий возраст). Из очищенной базы были исключены школы с количеством наблюдений меньше 10 человек. Итоговая база включала данные 20 422 школьников из 229 школ об уровне кибербуллинга, взаимоотношениях с одноклассниками, уровне агрессивности в школе и социо-демографических характеристиках. Дополнительно были собраны данные о характеристиках школ.

Городские и сельские школы Калужской области можно рассматривать в качестве типичных российских школ, благодаря единым стандартам российского образования и среднестатистическим показателям по населению самого субъекта РФ. Так, по соотношению мужчин и женщин, городского и сельского населения, национальному составу и социально-экономическому статусу (по уровню безработицы, доходу населения и заболеваемости) можно сказать, что Калужская область соответствует срединному региону России.

Дескриптивные статистики представлены в приложении 1.

Зависимая переменная

Исследуемая переменная кибербуллинг включает 3 вопроса, отражающих переживаемый опыт респондента в различных видах агрессии в интернете:

«Как часто тебе писали (в ВКонтакте, чатах, форумах и др.) что-то обидное и неприятное?»

«Как часто про тебя запостили что-то такое, что тебе было неприятно?»

«Как часто про тебя писали гадости и обсуждали тебя так, что это тебя раздражало»

В качестве варианта ответов было предложено: ни разу; один или два раза; несколько раз; много раз и каждый день. Вариант ответа несколько раз или больше означает, что подросток подвергался/ется действиям, описанных в вопросах, постоянно. Уровень кибербуллинга в данном случае отражает уровень виктимизации вследствие подобных действий. Таким образом, если респондент выбрал вариант ответа «несколько раз» или чаще хотя бы в одном вопросе, значит респондент постоянно подвергался одному из видов агрессии и его уровень кибервиктимизации равен единице. В другом случае нулю.

Независимые переменные

Социо-демографические характеристики используются в качестве предикторов индивидуального уровня. Число девочек и мальчиков в анализе примерно равное (51% девочек и 49% мальчиков). Возраст респондентов сильно варьировался (от 0 до 99+), что вызвало подозрение. В связи с этим, ответы детей, которые указали в графе возраста число меньшее или большее единицы по отношению к медианному возрасту, считались недостоверными и удалялись из анализа. Так, средний возраст выборки равен 13.22. Что касается национального состава, то 86% от всей выборки ответили, что относят себя к русским, 2% к украинцам, 2% к армянам, к азербайджанцам, татарам, узбекам, таджикам и молдаванам по 1 % и оставшиеся к другим национальностям. Для анализа шкала была дихотомизирована как «русские» и «не русские». В очищенной базе данных русские составили 92%.

Также в качестве предиктора индивидуального уровня была взята переменная, характеризующая взаимоотношения с одноклассниками. Респондентам было предложено ответить на вопрос «насколько вы согласны со следующими утверждениями?»:

«Мне нравится общаться с моими одноклассниками»

«Одноклассники меня уважают»

«В школе у меня много друзей»

«В классе меня не очень любят»

«В школе ко мне хорошо относятся»

В качестве ответа нужно было выбрать одно из следующих вариантов: «совершенно не согласен», «скорее не согласен», «скорее согласен» и «полностью согласен». Далее с помощью метода главных компонент, были рассчитаны 5 компонент. В анализ включена та компонента, которая наиболее описывает эти пять вопросов. Компонента описывает 69% ответов на первый вопрос, 77% на второй, 75% на третий и 58% на четвертый и 79% на пятый. Переменная была масштабирована от 0 до 1. В среднем дети ответили положительно на все 5 вопросов (M=0.75).

Переменные школьного уровня включают характеристики о типе, статусе и размере школы. Тип школы определялся по типу населенного пункта, в котором находится школа. Так, в городских школах обучалось 39% детей, в поселках городского типа - 44% и в поселках - 18%. Далее, школы поселков городского типа и школы сельских поселков были объединены как сельские школы. В отношении статуса школ респонденты распределились следующим образом: в ООШ обучается всего 6%, в СОШ - 83%, в лицеях и в гимназиях - 11%. Размер школы определялся по количеству опрошенных респондентов в школе. Предполагается, что, если количество всех опрошенных детей с 6 по 9 класс большое, то в школе в целом учится много детей. Так, размер школ варьировался от 1 до 449 человек. Школы размером 9 человек или меньше были извлечены из анализа, чтобы избежать смещения оценок. В среднем, в школе обучается 194 человека.

Для исследования взаимоотношений между сверстниками было принято взять уровень агрессии в школе и уровень агрессии в интернете. Уровень агрессии в школе определялся следующими вопросами:

«Как часто одноклассники дрались друг с другом?»

«Как часто одноклассники ставили подножки и толкали более слабых школьников?»

«Как часто одноклассники издевались над другими школьниками и говорили о них гадости?»

«Как часто одноклассники писали гадости о других школьниках в Интернете (ВКонтакте, в чатах и т.п.)?»

Варианты ответов: «никогда», «редко», «часто», «очень часто».

С помощью метода главных компонент была оценена общая переменная, характеризующая все 4 вопроса. Полученная переменная, масштабированная от 0 до 1, описывает 75% ответов на первый вопрос, 80% - на второй, 84% - на третий и 74% на четвертый. Затем, рассчитывался средний уровень агрессии в школе. Полученная переменная была отмасштабирована от 0 (школы с минимальным уровнем агрессии) до 1 (школы с максимальным уровнем агрессии). Средний уровень школьной агрессии - 0.57.

В качестве предиктора индивидуального и школьного уровня было взято количество часов, проведенное в Вконтакте. Вконтакте - пожалуй самая популярная социальная сеть в русскоязычном интернете. 9 307 детей ответили, что их обижали именно на данном ресурсе. Для сравнения, следующий по популярности ресурс - инстаграм, где 995 школьников сказали, что их обижали. Вопрос про количество времени звучал следующим образом: «Как много времени ты проводишь ежедневно в Вконтакте?». В качестве варианта ответу нужно было выбрать: 0) у меня нет профиля ВК; 1) не каждый день захожу; 2) менее часа; 3) от часа до двух; 4) от двух до трех; 5) от трех до четырех; 6) более четырех часов. Данная переменная считалась как непрерывная шкала. Также оценивалось то, как часто дети в разных школах проводят в ВК. Эта переменная рассчитывалась как среднее от времени, проведенное онлайн детьми в разных школах. Так, в среднем дети проводят в Вконтакте примерно от двух до трех часов (M= 2.92). Так же как дети в среднем по школе.

кибербуллинг индивидуальный школьный

Анализ

Для исследования связи переменных индивидуального и школьного уровней и кибербуллинга, анализ должен проводиться с помощью многоуровневой логистической регрессии [20].

Статистический анализ проводился в несколько этапов. Первый этап включал построение «пустой» модели для оценки значимости деления на группы зависимой переменной, то есть, чтобы определить имеет ли смысл исследовать кибербуллинг в разных школах. Второй этап включает построение моделей с переменными школьного уровня (размер, тип, статус школ и агрессивность) со случайными интерсептами, чтобы оценить средний уровень кибербуллинга в зависимости от различных школьных характеристик. Второй этап позволит выявить значимые школьные характеристики для того, чтобы построить модель на третьем этапе.

Третий этап направлен на определение значимых характеристик индивидуального уровня, при контроле значимых характеристик школьного уровня. Случайные и фиксированные эффекты рассчитывались с помощью метода максимального правдоподобия, но для привычной интерпретации логистической регрессии приводится экспонента полученных коэффициентов, что характеризует отношение шансов. Качество моделей проверялась на основе информационного критерия Акаике (AIC). Статистический анализ был проведен в RStudio с помощью пакета lme4 и lmerTest. Анализ проводился на 199 школах.

Результаты

Дескриптивный анализ

Всего из 20 422 детей, подвергались кибербуллингу хотя бы в малой степени 23% (см. Прил. 1). Девочки и мальчики примерно одинаково по частоте подвергались кибербуллингу. Всего жертвами стали 23% среди девочек и 22% среди мальчиков. По возрасту также очевидного различия не наблюдается. Во всех возрастных группах примерно одинаковое количество жертв. Средний возраст жертв примерно равен среднему возрасту по всей выборке (примерно 13 лет, с отклонением в год). Чтобы определить, в каком возрасте кибербуллинг происходит чаще, была взята переменная класса. Из них кибербуллингу подверглись 22% детей в шестых классах, по 23% в седьмых и восьмых и 25% детей в девятых классах. Вероятно, кибербуллинг будет возрастать с возрастом. Процент жертв среди русских и не русских также отличается (среди не русских выше на 4,5%). Взаимоотношения с одноклассниками среди жертв кибербуллинга в среднем немного холоднее, чем среди не жертв (см. Рис. 1). В данном исследовании также предполагается, что процент жертв будет изменяться в зависимости от характеристик школ. Так, например, средний размер школ среди жертв кибербуллинга выше (см. Рис. 1). Среди детей городских школ и сельских школ также можно наблюдать разницу в вероятности стать жертвой. В городских школах чаще можно встретить жертву, чем в сельских школах (27% против 20%). Среди детей в различных по статусу школах кибербуллингу подверглись: в ООШ - 18%, в СОШ - 23%, в лицеях и в гимназиях - 23%. В целом, в ООШ реже можно встретить жертву кибербуллинга, чем в СОШ или лицеях и гимназиях. Также средняя степени агрессивности в школах жертв кибербуллинга выше, чем в других школах.



Рисунок 1. Разница между жертвами и не жертвами, в зависимости от численных переменных анализа.

Школьный уровень

Многоуровневая логистическая регрессия была построена на переменных школьного уровня, чтобы определить какие характеристики школ важны в предсказании кибербуллинга. Сначала строилась «нулевая» модель без переменных, но с помощью варьирования средних в школах. Нулевая модель показала, что межклассовый коэффициент корреляции (ICC) равен 0.05 (см. Приложение 2). Согласно, некоторым исследователям кластеризация по группам имеет значение при ICC больше 5% [14]. Следовательно, в нашем анализе разделение кибербуллинга по школам можно считать правомерным. Однако, нужно учитывать, что наш показатель является пограничным значением. Тем не менее, дальнейший анализ будет основан на выводе о том, что уровень кибербуллинга значимо различается по школам.

Модель 1 включала в себя переменную о типе школ. В данной модели городские школы выступили как дамми-переменная. Модель показала, что AIC модели 1 меньше нулевой модели, а в сельских школах уровень кибербуллинга ниже, чем в городских на уровне значимости 0.01.

Модель 2 включает в себя переменную статуса школы. Согласно результатам этой модели статус школы не влияет на уровень кибербуллинга при том, что AIC модели 2 меньше нулевой.

Модель 3 включает в себя переменную размера школы. Мы можем принять значения модели согласно уровню AIC. Так, в больших школах кибербуллинг происходит чаще, чем в маленьких. Размер этого эффекта больше 1.44, следовательно можно считать, что кибербуллинг сильно зависит от размера школы. AIC модели упал на 10 единиц

Модель 4 включает в себя переменную типа школ, которая показала значимость в модели 2, и размер школы, который показал значимость в модели 3. Однако, в модели, где обе переменные контролировались, тип школ потерял свою значимость. А размер эффекта переменной размера школ уменьшился. AIC модели 4 больше модели 3. Следовательно, следующую переменную будем включать только к размеру школы.

В модель 5 была включена к переменная уровня агрессивности в школах. В данной модели, можно увидеть то, что включение этой переменной значительно улучшило модель. Размер эффекта школьной агрессивности значительно высокий на уровне значимости близкого к 0. Однако, размер школы потерял свою значимость. Следовательно уровень школьной агрессии гораздо сильнее остальных переменных школьного уровня предсказывает кибербуллинг. Чем агрессивнее среда, тем выше уровень кибербуллинга. Переменные типа школ и размера школ также были значимы, однако предсказывали совсем маленькую вариацию. Таким образом, дальнейший анализ будет проводиться только на переменной уровня школьной агрессии.

Индивидуальный уровень

Второй этап был направлен на изучение того, каким образом индивидуальные характеристики связаны с кибербуллингом, при контроле значимых характеристик школьного уровня. Для этого были построены модели поэтапно включающие переменные индивидуального уровня. В приложении 2 приведены результаты анализа индивидуальных характеристик и кибербуллинга со случайными эффектами школьного уровня (модели 6-10). В модель 10 были включены все переменные индивидуального уровня и значимая переменная школьного уровня.

В модели 6 проверялась разница между девочками и мальчиками с уровнем кибербуллинга. Эффект контролировался агрессивностью школ. Здесь переменная пола показала отсутствие связи с кибербуллингом. Низкий уровень ICC и AIC в данной модели достигается только за счет значимой переменной агрессивности.

В модели 7 была включена переменная возраста, который характеризовался классом, в котором учится ребенок. Дескриптивный анализ показал, что возраст сам по себе не может влиять на кибербуллинг, тогда как класс ребенка показал разницу. Таким образом, девятый класс действительно статистически значим в предсказании кибербуллинга. Тогда как остальные классы не отличаются между собой. Включение переменной класса немного улучшило модель, согласно AIC. Несмотря на высокий уровень значимости, размер эффекта девятого класса невысокий.

Модель 8 включает переменную национальности ребенка. Согласно результатам модели, русских детей в школах травят меньше, на уровне значимости 0.01. Однако размер эффекта национальности также, как и размер эффекта класс небольшой.

В девятую модель вошла переменная взаимоотношений со сверстниками. Во-первых, AIC в данной модели упал до 20177, что на 1540 меньше, чем в нулевой. Во-вторых, уровень значимости коэффициента близок к 0. Размер эффекта очень высокий. Таким образом, в школах, при контроле агрессивности, уровень взаимоотношений с одноклассниками почти наверняка может предсказать уровень кибербуллинга. Чем теплее взаимоотношения, тем ниже уровень кибербуллинга.

Финальная модель 10 включает все значимые переменные школьного и индивидуального уровней и показывает наилучшую модель, которую можно получить с этими данными. Таким образом все коэффициенты сохранили свою значимость. Размер эффекта изменился во всех переменных кроме переменной взаимоотношений с одноклассниками. Тогда как в переменных класса и этничности эффект изменился незначительно, то в переменной второго уровня он сократился почти в 2 раза.

Выводы

Результаты данного исследования показывают, что кибербуллинг является одной из важнейших проблем в области безопасности детей российских школ. Согласно результатам данного исследования уровень кибертравли в российских школах является чрезвычайно высоким. 23% детей калужских школ подвергались кибербуллингу хотя бы в малой степени. Почти каждый четвертый ребенок сталкивался с этой жестокой формой агрессии.

Школы принципиально различаются между собой и не только благодаря своему статусу или размеру, но и ряду других характеристик, Включение в нулевую модель характеристик школьного уровня значительно ее улучшило. Согласно этим результатам, школы действительно различаются по уровню кибербуллинга, а также по уровню агрессивности. В зависимости от различных характеристик школ действительно можно определить в каких школах кибербуллинг растет, а в каких нет. Так, кибербуллинг может зависеть от размера школ и типа школ. В больших школах, а также в сельских школах дети чаще подвергались кибербуллингу. Однако, добавление агрессивности школьной среды перекрыло эффект от них. А это значит, что, вероятно, существует скрытый эффект характеристик школ на уровень агрессивности в них, который в свою очередь предсказывает кибербуллинг. Таким образом, агрессивность также может характеризоваться различием в сельских и городских, в больших и маленьких школах. Причиной подобной связи, возможно, кроется в том, что в маленьких школах, ровно как и в сельских школах уровень доверия друг к другу выше, чем в больших или городских школах. Возможно, также что при росте школы, личное внимания к каждому ребенку начинает сокращаться, а значит, в таких школах будет ухудшаться дисциплина, а степень агрессивности расти. В любом случае, администрациям школ следует уделить особое внимание агрессивному поведению детей, так как это вероятнее всего повлечет за собой кибербуллинг и другие агрессивные действия. Результаты также показали, что не существует значимой связи кибербуллинга и статуса школы. Скорее всего в интернете, действительно, не важно в какой именно школе учится ребенок, так как обычно самоидентификация, как ребенка из «элитной» школы или из обычной, в интернете не происходит. В целом, можно сказать, что гипотезы 1-4 подтвердились. Кибербуллинг различается в разных школах, а следовательно, различные контексты, действительно, косвенно влияют на поведение человека. Характеристики школы, как сообщества, действительно, способны предсказывать кибербуллинг, хотя и слабо, а влияние мезоуровня оказалось высоким во всех моделях.

Было обнаружено также, что мальчики и девочки независимо от школьного или индивидуального уровня подвергаются запугиваниям в интернете в равной степени. Это согласуется с результатами прошлых исследований [31]. Однако, результаты данного исследования показали, что пол также не связан с кибербуллингом на школьном уровне. С другой стороны, возраст оказался значимым предиктором уровня кибербуллинга как на индивидуальном, так и на школьном уровнях. Так, вероятность того, что ребенок столкнется с кибербуллингом в старших классах возрастает. Прошлые исследования, в основном, были сосредоточены на разнице в возрасте индивидуального уровня, в которых значимости не находилось [31]. В данном исследовании было доказано, что внимание нужно переключать также на контекстный уровень. Такой же вывод касается национальной принадлежности. Так как национальный состав различается по школам, то уровень кибербуллинга может различаться также по школам, но на индивидуальном уровне кибербуллинг может оставаться одинаковым (в больших, городских школах процент нерусских детей выше, следовательно вероятность кибербуллинга выше).

Связь теплых взаимоотношений с одноклассниками также значительно улучшило финальную модель. Согласно предыдущим исследованиям, теплые взаимоотношения с одноклассниками могут выступать в качестве поддержки или защиты от агрессивных нападок [36]. Однако, показатель положительных взаимоотношений с людьми, с которыми ребенок имеет непосредственные контакты, также может быть показателем черты характера самого ребенка. Вероятно, такие дети сами по себе дружелюбны, как в школе, так и онлайн. В целом, можно сказать, что гипотеза 4 подтвердилась.

Если предположить, что одни и те же люди склонны переносить свою агрессивность из онлайн в офлайн среду или наоборот, чему свидетельствует тесная связь уровня перпетрации вследствие буллинга и кибербуллинга [23]. Тогда можно сделать вывод о том, что киберперпетрация и агрессивность в школе будут тесно связаны. Однако, данное исследование показало, что агрессивность также связано с кибервиктимизацией. Из чего следует вывод о том, что степень кибервиктимизации и киберперпетрации в одних школах будут примерно равны. Это означает что, в этих случаях, жертвы и хулиганы либо одни и те же дети, либо тот факт, что они из одних и тех же школ.

Заключение

Настоящее исследование направлено на выявление связей и изучение природы этих связей между индивидуальным/школьным контекстом и уровнем кибербуллинга в российских школах. Полученные выводы кажутся особенно актуальными в разработке мер борьбы с данным явлением в России. Так, при разработке программ, следует учитывать в первую очередь особенности российских школ. Одни школы могут сильнее нуждаться в борьбе с кибертравлей. Особое внимание следует обратить на большие и городские школы, в которых часто дети ведут себя агрессивно по отношению друг к другу. Нехватка персонального внимания может сказаться на разлад в дисциплине в школе, что повлечет за собой различные виды травли, в том числе, кибербуллинг. Увеличение педагогического состава и уменьшение классов в больших школах, вероятно, понизит уровень кибербуллинга. В агрессивных школах также следует проводить профилактику в области повышения толерантности по отношению к друг другу, особенно в отношении национальной принадлежности, и развития теплой обстановки. То есть необходимо внедрение различных форм работы с детьми, например в виде игры или собраний. Некоторые формы работы психологов и детей относительно культуры агрессивности в школе могут быть разработаны с помощью адаптации зарубежных методов борьбы. Стоит обратить внимание на поведение детей из старших классов, так как в этом возрасте обычно возникает кибербуллинг.

Дальнейшие исследования феномена кибербуллинга могут проводиться в следующих направлениях:

1) Выявление каузальности. Поскольку, в основном, предыдущие исследования, включая данное, основаны на количественных методах, то до сих пор нельзя делать определенные выводы относительно причино-следственных связях.

2) Включение макроуровня по субъектам России и странам. В данном исследовании оказалось, что сама школа влияет на характер кибербуллинга. Несмотря на то, что эффекты слабые, они оказались значимыми. Включение макроуровня позволят выявить другие более значимые эффекты.

3) Выявление других значимых факторов. Уровень психологического здоровья детей может оказаться значимым в данной модели. Взаимоотношения с родителями и педагогами могут также повлиять на уровень кибертравли. Данное исследование включает очень узкий и далеко не исчерпывающий список переменных.

4) Включение киберперпетрации. Данные исследование было сосредоточено вокруг кибервиктимизации (переживание опыта), но в кибербуллинге существуют различные роли. Помимо жертв, выделяются хулиганы и свидетели [32]. Выводы подобных исследований дополнят пробелы в выводах данного исследования.

Список литературы

1. Barlett C., Coyne S. M. " A meta?analysis of sex differences in cyber?bullying behavior: The moderating role of age": Erratum. - 2015.

2. Bastiaensens S. et al. Cyberbullying on social network sites. An experimental study into bystanders' behavioural intentions to help the victim or reinforce the bully //Computers in Human Behavior. - 2014. - Т. 31. - С. 259-271.

3. Bayraktar F. et al. Cyberbullying: The discriminant factors among cyberbullies, cybervictims, and cyberbully-victims in a Czech adolescent sample //Journal of interpersonal violence. - 2015. - Т. 30. - №. 18. - С. 3192-3216.

4. Bevilacqua L. et al. The role of family and school-level factors in bullying and cyberbullying: a cross-sectional study //BMC pediatrics. - 2017. - Т. 17. - №. 1. - С. 160.

5. Bronfenbrenner U. Ecological models of human development //Readings on the development of children. - 1994. - Т. 2. - №. 1. - С. 37-43.

6. Bronfenbrenner U. Toward an experimental ecology of human development //American psychologist. - 1977. - Т. 32. - №. 7. - С. 513.

7. Chen L., Ho S. S., Lwin M. O. A meta-analysis of factors predicting cyberbullying perpetration and victimization: From the social cognitive and media effects approach //New Media & Society. - 2017. - Т. 19. - №. 8. - С. 1194-1213.

8. Corcoran L., Guckin C., Prentice G. Cyberbullying or cyber aggression?: A review of existing definitions of cyber-based peer-to-peer aggression //Societies. - 2015. - Т. 5. - №. 2. - С. 245-255.

9. Cross D. et al. A social-ecological framework for understanding and reducing cyberbullying behaviours //Aggression and Violent Behavior. - 2015. - Т. 23. - С. 109-117.

10. Cyberbullying: A Global Advisor Survey. URL: https://www.ipsos.com/sites/default/files/ct/news/documents/2018-06/cyberbullying_june2018.pdf (дата обращения: 20.05.2019)

11. Espelage D. L. Understanding the Complexity of School Bully Involvement //The Chautauqua Journal. - 2018. - Т. 2. - №. 1. - С. 20.

12. Espelage D. L., Swearer S. M. Expanding the social-ecological framework of bullying among youth: Lessons learned from the past and directions for the future //Bullying in north American schools. - Routledge, 2010. - С. 23-30.

13. Fegenbush B. S., Olivier D. F. Cyberbullying: A literature review //Annual Meeting of the Louisiana Education Research Association, Lafayette. - 2009.

14. Gelman A., Hill J. Data analysis using regression and multilevel/hierarchical models. - Cambridge university press, 2006.

15. Gцrzig A., Milosevic T., Staksrud E. Cyberbullying victimization in context: The role of social inequalities in countries and regions //Journal of Cross-Cultural Psychology. - 2017. - Т. 48. - №. 8. - С. 1198-1215.

16. Heiman T., Olenik-Shemesh D. Cyberbullying experience and gender differences among adolescents in different educational settings //Journal of learning disabilities. - 2015. - Т. 48. - №. 2. - С. 146-155.

17. Heirman W., Walrave M. Predicting adolescent perpetration in cyberbullying: An application of the theory of planned behavior //Psicothema. - 2012. - Т. 24. - №. 4. - С. 614-620.

18. Hinduja S., Patchin J. W. Bullying, cyberbullying, and suicide //Archives of suicide research. - 2010. - Т. 14. - №. 3. - С. 206-221.

19. Hinduja S., Patchin J. W. Cyberbullying: An exploratory analysis of factors related to offending and victimization //Deviant behavior. - 2008. - Т. 29. - №. 2. - С. 129-156.

20. Hox J. J., Moerbeek M., Van de Schoot R. Multilevel analysis: Techniques and applications. - Routledge, 2017.

21. Kowalski R. M. et al. Bullying in the digital age: A critical review and meta-analysis of cyberbullying research among youth //Psychological bulletin. - 2014. - Т. 140. - №. 4. - С. 1073.

22. Lapidot-Lefler, N., & Dolev-Cohen, M. (2015). Comparing cyberbullying and school bullying among school students: Prevalence, gender, and grade level differences. Social psychology of education, 18(1), 1-16.

23. Li Q. New bottle but old wine: A research of cyberbullying in schools //Computers in human behavior. - 2007. - Т. 23. - №. 4. - С. 1777-1791.

24. Low S., Espelage D. Differentiating cyber bullying perpetration from non-physical bullying: Commonalities across race, individual, and family predictors //Psychology of Violence. - 2013. - Т. 3. - №. 1. - С. 39.

25. Machimbarrena J. M., Garaigordobil M. Bullying/Cyberbullying in 5th and 6th grade: differences between public and private schools //anales de psicologнa. - 2017. - Т. 33. - №. 2.

26. Mobin, A., Feng, C. X., & Neudorf, C. (2017). Cybervictimization among preadolescents in a community-based sample in Canada: Prevalence and predictors. Canadian journal of public health, 108(5-6), 475-481.

27. Patchin J. W., Hinduja S. Bullies move beyond the schoolyard: A preliminary look at cyberbullying //Youth violence and juvenile justice. - 2006. - Т. 4. - №. 2. - С. 148-169.

28. Ryan's Story. URL: http://www.ryanpatrickhalligan.org (дата обращения: 20.05.2019).

29. Schumann L., Craig W., Rosu A. Power differentials in bullying: Individuals in a community context //Journal of Interpersonal Violence. - 2014. - Т. 29. - №. 5. - С. 846-865.

30. Smith P. K. et al. Cyberbullying: Its nature and impact in secondary school pupils //Journal of child psychology and psychiatry. - 2008. - Т. 49. - №. 4. - С. 376-385.

31. Tokunaga R. S. Following you home from school: A critical review and synthesis of research on cyberbullying victimization //Computers in human behavior. - 2010. - Т. 26. - №. 3. - С. 277-287.

32. Vцllink T. et al. Coping with cyberbullying: Differences between victims, bully?victims and children not involved in bullying //Journal of community & applied social psychology. - 2013. - Т. 23. - №. 1. - С. 7-24.

33. Wang J., Iannotti R. J., Nansel T. R. School bullying among adolescents in the United States: Physical, verbal, relational, and cyber //Journal of Adolescent health. - 2009. - Т. 45. - №. 4. - С. 368-375.

34. Wong, R. Y., Cheung, C. M., & Xiao, B. (2018). Does gender matter in cyberbullying perpetration? An empirical investigation. Computers in Human Behavior, 79, 247-257.

35. WW Online Bullying Survey. URL: https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUKEwj1-vGwx5_hAhUScZoKHd71A9YQFjAAegQIAhAC&url=http%3A%2F%2Fdownload.microsoft.com%2Fdownload%2FE%2F8%2F4%2FE84BEEAB-7B92-4CF8-B5C7-7CC20D92B4F9%2FWW%2520Online%2520Bullying%2520Survey%2520-%2520Executive%2520Summary%2520-%2520Russia_Final.pdf&usg=AOvVaw0-5jN3eClsb_nC5GjGL73y (дата обращения: 20.05.2019)

36. Zych I., Farrington D. P., Ttofi M. M. Protective factors against bullying and cyberbullying: A systematic review of meta-analyses //Aggression and Violent Behavior. - 2018.

Приложение 1. Описательная статистика переменных анализа

	N	%	M	SD	N	%	M	SD
Всего	20422	100			4655	22.79
Женский	10105	50.52			2359	23.34
Мужской	10317	49.48			2296	22.25
Возраст (11-16)			13.22	1.19			13.29	1.20
6 класс	5561	27.23			1203	21.63
7 класс	5434	26.61			1230	22.64
8 класс	4911	24.05			1104	22.48
9 класс	4516	22.11			1118	24.76
Русский	18690	91.52			4188	22.41
Не русский	1732	8.48			467	26.96
Взаимоотношения с одноклассниками			0.75	0.19			0.65	0.21
(0-1)
Город	7894	38.65			2093	26.51
Cело	12528	61.35			2562	20.45
Гимназия и Лицей	2210	10.82			502	22.71
СОШ	17020	83.34			3940	23.15
ООШ	1192	5.84			213	17.87
Размер школы (10-449)			164.06	90.03			170.92	90.51
Размер школы (0-1)			0.35	0.21			0.37	0.21
Агрессивность в школе (0-1)			0.57	0.15			0.61	0.13
Время, проведенное в ВК			2.92	1.9			3.49	1.98
Среднее время по школам, проведенное в ВК			2.92	0.38			2.98	0.32

Приложение 2. Многоуровневая логистическая регрессия (2-й уровень)

	Модель 0	Модель 1	Модель 2	Модель 3	Модель 4	Модель 5
Фиксированные эффекты	OR	SE	OR	SE	OR	SE	OR	SE	OR	SE	OR	SE
(Intercept)	0.266 ***	0.036	0.303 ***	0.061	0.263 ***	0.133	0.228 ***	0.057	0.250 ***	0.095	0.069 ***	0.089
Сельские			0.823 **	0.075					0.909	0.082
ООШ					0.771	0.165
СОШ					1.059	0.138
Размер школы							1.869 ***	0.178	1.689 **	0.198	0.896	0.110
Агрессивность											12.518 ***	0.152
Случайные эффекты
у2	3.29	3.29	3.29	3.29	3.29	3.29
ф00	0.16	0.16	0.16	0.15	0.15	0.02
ICC	0.05	0.05	0.05	0.04	0.04	0.01
Marginal R2 / Conditional R2	0.000 / 0.048	0.003 / 0.049	0.002 / 0.047	0.005 / 0.049	0.005 / 0.049	0.041 / 0.047
AIC	21717.996	21713.254	21712.958	21707.650	21708.277	21496.915
* p<0.05 ** p<0.01 *** p<0.001

Приложение 3. Многоуровневая логистическая регрессия (1-й уровень)

	Модель 6	Модель 7	Модель 8	Модель 9	Модель 10
Фиксированные эффекты	OR	SE	OR	SE	OR	SE	OR	SE	OR	SE
(Intercept)	0.066 ***	0.090	0.062 ***	0.093	0.081 ***	0.105	1.039	0.116	1.151	0.136
Агрессивность	11.976 ***	0.145	12.152 ***	0.145	11.755 ***	0.146	6.277 ***	0.150	6.245 ***	0.150
Женский	1.057	0.034
7 класс			1.081	0.047					1.038	0.048
8 класс			1.065	0.048					1.006	0.050
9 класс			1.227 ***	0.048					1.150 **	0.050
русский					0.845 **	0.058			0.871 *	0.060
Взаимоотношения со сверстниками							0.039 ***	0.092	0.039 ***	0.092
Случайные эффекты
у2	3.29	3.29	3.29	3.29	3.29
ф00	0.02	0.02	0.02	0.02	0.02
ICC	0.01	0.01	0.01	0.01	0.01
Marginal R2 / Conditional R2	0.042 / 0.047	0.043 / 0.049	0.042 / 0.048	0.135 / 0.140	0.136 / 0.141
AIC	21495.266	21483.354	21489.567	20177.688	20170.778
* p<0.05 ** p<0.01 *** p<0.001

Размещено на Allbest.ru

...