MétaCan
Menu
Retour à la cohorte
Enregistrement W2469559366 · doi:10.2196/mental.5925

Are Mental Health Effects of Internet Use Attributable to the Web-Based Content or Perceived Consequences of Usage? A Longitudinal Study of European Adolescents

2016· article· en· W2469559366 sur OpenAlexvenueno aff
Sebastian Hökby, Gergö Hadlaczky, Joakim Westerlund, Danuta Wasserman, Judit Balázs, Arūnas Germanavičius, Núria Machín, Gergely Mészáros, Marco Sarchiapone, Airi Värnik, Peeter Värnik, Michael Westerlund, Vladimir Carli

Notice bibliographique

RevueJMIR Mental Health · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueImpact of Technology on Adolescents
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMental healthThe InternetMoodPsychologyPsychological interventionAffect (linguistics)NeglectLongitudinal studyClinical psychologyMedicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Adolescents and young adults are among the most frequent Internet users, and accumulating evidence suggests that their Internet behaviors might affect their mental health. Internet use may impact mental health because certain Web-based content could be distressing. It is also possible that excessive use, regardless of content, produces negative consequences, such as neglect of protective offline activities. OBJECTIVE: The objective of this study was to assess how mental health is associated with (1) the time spent on the Internet, (2) the time spent on different Web-based activities (social media use, gaming, gambling, pornography use, school work, newsreading, and targeted information searches), and (3) the perceived consequences of engaging in those activities. METHODS: A random sample of 2286 adolescents was recruited from state schools in Estonia, Hungary, Italy, Lithuania, Spain, Sweden, and the United Kingdom. Questionnaire data comprising Internet behaviors and mental health variables were collected and analyzed cross-sectionally and were followed up after 4 months. RESULTS: Cross-sectionally, both the time spent on the Internet and the relative time spent on various activities predicted mental health (P<.001), explaining 1.4% and 2.8% variance, respectively. However, the consequences of engaging in those activities were more important predictors, explaining 11.1% variance. Only Web-based gaming, gambling, and targeted searches had mental health effects that were not fully accounted for by perceived consequences. The longitudinal analyses showed that sleep loss due to Internet use (ß=.12, 95% CI=0.05-0.19, P=.001) and withdrawal (negative mood) when Internet could not be accessed (ß=.09, 95% CI=0.03-0.16, P<.01) were the only consequences that had a direct effect on mental health in the long term. Perceived positive consequences of Internet use did not seem to be associated with mental health at all. CONCLUSIONS: The magnitude of Internet use is negatively associated with mental health in general, but specific Web-based activities differ in how consistently, how much, and in what direction they affect mental health. Consequences of Internet use (especially sleep loss and withdrawal when Internet cannot be accessed) seem to predict mental health outcomes to a greater extent than the specific activities themselves. Interventions aimed at reducing the negative mental health effects of Internet use could target its negative consequences instead of the Internet use itself. TRIAL REGISTRATION: International Standard Randomized Controlled Trial Number (ISRCTN): 65120704; http://www.isrctn.com/ISRCTN65120704?q=&filters=recruitmentCountry:Lithuania&sort=&offset= 5&totalResults=32&page=1&pageSize=10&searchType=basic-search (Archived by WebCite at http://www.webcitation/abcdefg).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,088
Tête enseignante GPT0,378
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations75
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Mental HealthMême sujetImpact of Technology on AdolescentsTravaux en français237 207