Bakgrund: Psykisk ohälsa klassas som en folkhälsosjukdom och det ses en ökning av psykisk ohälsa bland ungdomar. Användandet av sociala medier ökar drastiskt i vårt samhälle vilket resulterar i både positiva och negativa konsekvenser av ungdomars välbefinnande och hälsa. Ökningen av cybermobbning är en negativ konsekvens av sociala medier och är ett problem i ungdomsåren. Även användningen av sociala medier på kvällen kan påverka sömnen negativt. Sjuksköterskans roll i detta är att skapa medvetenhet, öka kunskapen och uppmärksamma denna faktor hos ungdomar som inte mår bra och som söker vård för såväl psykiska som fysiska symtom. Kan sociala medier vara en bidragande faktor till ökningen av ungdomars psykiska ohälsa? Syfte: Att beskriva ungdomars hälsa och välbefinnande och att relatera detta till den tid som de spenderar på sociala meder. Metod: Studien utfördes som en kvantitativ enkätstudie där datainsamlingen skedde på en gymnasieskola i Sverige. Enkäten bestod av tre frågor om ungdomars användande på sociala medier samt välmåendeskalan på 18 frågor. Enkäten besvarades av 149 deltagare varav 113 med slutförda svar, jämt fördelat mellan pojkar och flickor. Resultat: Hela 21 % av ungdomarna i studien hade någon gång upplevt kränkning eller mobbning på sociala medier, främst flickor. De ungdomar som använde sociala medier över sex timmar per dygn skattade sitt välmående lägre än ungdomarna med lägre social medieanvändning. Ungdomarna som använde sociala medier under en senare tid på dagen föreföll att ha en sämre sömn. Diskussion: Vikten av kunskap och tidig identifiering av att sociala medier kan vara en faktor som kan orsaka psykisk ohälsa hos ungdomar bör uppmärksammas för att eventuellt kunna främja ungdomars hälsa och välbefinnande.

The purpose of the study is to study how pupils define bullying and what they perceive their school’s preventive work against bullying to be. Another purpose is to then illustrate and analyze how the pupils perceptions and the school’s preventive work correspond to the school law/ Skolverkets publications. The method applied was semi-structured focus group interviews where the pupils were able to express their own thoughts and reflections on the subject. The interview material was then compared and analyzed to literature on the subject bullying, to publications by the school law and Skolverket and to the school’s own publication on the preventive work applied by the school. The result shows that pupils are very much aware of what constitutes bullying and their definitions of bullying correspond to a high degree to the definitions found in literature about bullying. Something that becomes evident through the study is that bullying nowadays changes the arena where it takes place. A lot of the bullying takes place on the internet and through social media where school staff are not able to prevent the bullying from happening in the same way. The pupils are well aware of how the school’s preventive work against bullying and it does correspond to the school’s preventive plan. The school’s prevention plan does also measure up to Skolverkets own directions on how a school should work against bullying in a preventive way.

Cyberbullying has become a significant societal concern as people increasingly use computing technology to mediate all elements of their life. Cyberbullying can cause serious psychological and emotional problems for people who are impacted. Hence, developing automated ways for detecting cyberbullying is critical. While recent efforts to identify cyberbullying have specified advanced text processing approaches, the area of visual data processing has received significantly less attention.  This thesis presents multimodal approach on cyberbullying detection in social media by using a combination of visual and textual features. The work presents the prototype of cyberbullying detection system alongside its design and implementation details.  The foundings of this work prove that visual features can be used for the improvement of the textual approach. The results show that visual features is a best performing approach according to Naive Bayes and Random Forest algorithms and combination of textual and visual features reached the highest performance according to Support Vector Classification model. Furthermore, the result reveal that feature combination leading to the highest performance of Support Vector Classification is a combination of text description, text sentiment and image tags. The strongest feature performance with Random Forest and Naive Bayes model has been demonstrated by image tags. / Cybermobbning har blivit ett stort samhällsproblem i takt med att människor i allt högre grad använder datorteknik i alla delar av sitt liv. Cybermobbning kan orsaka allvarliga psykologiska och känslomässiga problem för de personer som drabbas. Därför är det viktigt att utveckla automatiserade metoder för att upptäcka cybermobbning. Medan de senaste insatserna för att identifiera cybermobbning har specificerat avancerade metoder för textbearbetning, har visuell databehandling fått betydligt mindre uppmärksamhet.  I den här avhandlingen presenteras en multimodal metod för att upptäcka cybermobbning i sociala medier med hjälp av en kombination av visuella och textuella element. I arbetet presenteras prototypen av ett system för upptäckt av cybermobbning tillsammans med detaljer om dess utformning och genomförande.  Resultaten av detta arbete visar att visuella funktioner kan användas för att förbättra den textuella modellen. Resultaten visar att visuella funktioner är det bästa tillvägagångssättet enligt Naive Bayes - och Random Forest­algoritmerna och att kombinationen av text- och visuella funktioner uppnådde den högsta prestandan enligt Support Vector Classification - modellen. Dessutom visar resultatet att kombinationen av funktioner som leder till den högsta prestandan för Support Vector Classification ar en kombination av textbeskrivning, textkänsla och bildtaggar. Den starkaste prestandan med Random Forest - och Naive Bayes -modellen däremot, har visats med bildtaggar.