The Mobile Phone Affinity Scale: Enhancement and Refinement
Notice bibliographique
Résumé
BACKGROUND: Existing instruments that assess individuals' relationships with mobile phones tend to focus on negative constructs such as addiction or dependence, and appear to assume that high mobile phone use reflects pathology. Mobile phones can be beneficial for health behavior change, disease management, work productivity, and social connections, so there is a need for an instrument that provides a more balanced assessment of the various aspects of individuals' relationships with mobile phones. OBJECTIVE: The purpose of this research was to develop, revise, and validate the Mobile Phone Affinity Scale, a multi-scale instrument designed to assess key factors associated with mobile phone use. METHODS: Participants (N=1058, mean age 33) were recruited from Amazon Mechanical Turk between March and April of 2016 to complete a survey that assessed participants' mobile phone attitudes and use, anxious and depressive symptoms, and resilience. RESULTS: Confirmatory factor analysis supported a 6-factor model. The final measure consisted of 24 items, with 4 items on each of 6 factors: Connectedness, Productivity, Empowerment, Anxious Attachment, Addiction, and Continuous Use. The subscales demonstrated strong internal consistency (Cronbach alpha range=0.76-0.88, mean 0.83), and high item factor loadings (range=0.57-0.87, mean 0.75). Tests for validity further demonstrated support for the individual subscales. CONCLUSIONS: Mobile phone affinity may have an important impact in the development and effectiveness of mobile health interventions, and continued research is needed to assess its predictive ability in health behavior change interventions delivered via mobile phones.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».