0366 Power Off is Better Off: The Impact of Technology Use on Sleep Among University Students
Notice bibliographique
Résumé
University students are more vulnerable to sleep disturbance than other populations. Sleep problems are influenced by a number of factors, including the use of Light-emitting diode (LED)-backlit devices. LED screens are present in most modern technological devices, and emit monochromatic blue light (~460 nm) that disrupts melatonin production at night. Appropriately timed exposure to light and darkness is a key factor in sleep regulation, so night-time use of LED devices likely represents a major culprit in the sleep disturbance of university students. The present study investigated the relationship between insomnia severity and LED device use before sleep. 1,670 students at Memorial University of Newfoundland (MUN), aged 19–35, were surveyed. Participants responded to questions probing the number of devices they own, as well as their device use duration and frequency in the hours leading up to sleep and throughout the night. The Insomnia Severity Index (ISI) was used to measure insomnia symptoms. Chi-square tests of independence and odds ratios were used to examine differences in ISI scores between high- and low-level LED device users. The sample was representative of the MUN student body, with 70.6% of respondents being female, and with an average age of 22.7 years. Fifty-two percent of participants received an ISI score above the cut-off for mild insomnia, with a mean score of 8.77. Students who used their devices for one hour or more after lights out were 1.8 times more likely to experience insomnia symptoms (95% CI, 1.37 to 2.35; p = .0005). Those who endorsed having their sleep interrupted by their devices a few nights per week or more were also 1.64 times more likely to experience insomnia symptoms (95% CI, 1.16 to 2.31; p = .004). This study provides strong evidence, with a large and generalizable sample, that LED device use after lights out is associated with an increase in insomnia symptoms. Additional research is needed to strengthen these findings and to ultimately inform prevention/intervention programs specific to insomnia symptoms/disorder in this population. Support (If Any):
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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) | 0,003 | 0,001 |
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 ».