Research on Relationship Among Internet-Addiction, Personality Traits and Mental Health of Urban Left-Behind Children
Notice bibliographique
Résumé
AIM: In this research, we attempted at exploring the relationships among urban left-behind children's internet-addiction, personality traits and mental health. METHODS: In the form of three relevant questionnaires (Adolescent Pathological Internet Use Scale, Eysenck Personality Questionnaire, Children's Edition in Chinese and Mental Health Test), 796 urban left-behind children in China were investigated, concerning internet-addiction, personality traits and mental health. RESULTS: (1) The internet-addiction rate of urban left-behind children in China reached 10.8%-a relatively high figure, with the rate among males higher than that among females. In terms of internet-addition salience, the figure of urban left-behind children was obviously higher than that of non-left-behind children. (2) In China, the personality deviation rate of the overall left-behind children was 15.36%; while the personality deviation rate of the internet-addicted urban left-behind children was 38.88%, a figure prominently higher than that of the non-addicted urban left-behind children group, with the rate among females higher than that among males. (3) The mental health problem rate of the overall urban left-behind children in China was 8.43%; while the rate of the internet-addicted urban left-behind children was 27.77%, a figure significantly higher than that of the non-addicted urban left-behind children. (4) There were significant relationships among internet-addiction, personality traits and mental health. The total score of internet-addiction and its related dimensions can serve as indicators of personality neuroticism, psychoticism and the total scores of mental health.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».