Temporal Stability of Smartphone Use Data: Determining Fundamental Time Unit and Independent Cycle
Notice bibliographique
Résumé
BACKGROUND: Assessing human behaviors via smartphone for monitoring the pattern of daily behaviors has become a crucial issue in this century. Thus, a more accurate and structured methodology is needed for smartphone use research. OBJECTIVE: The study aimed to investigate the duration of data collection needed to establish a reliable pattern of use, how long a smartphone use cycle could perpetuate by assessing maximum time intervals between 2 smartphone periods, and to validate smartphone use and use/nonuse reciprocity parameters. METHODS: Using the Know Addiction database, we selected 33 participants and passively recorded their smartphone usage patterns for at least 8 weeks. We generated 4 parameters on the basis of smartphone use episodes, including total use frequency, total use duration, proactive use frequency, and proactive use duration. A total of 3 additional parameters (root mean square of successive differences, Control Index, and Similarity Index) were calculated to reflect impaired control and compulsive use. RESULTS: Our findings included (1) proactive use duration correlated with subjective smartphone addiction scores, (2) a 2-week period of data collection is required to infer a 2-month period of smartphone use, and (3) smartphone use cycles with a time gap of 4 weeks between them are highly likely independent cycles. CONCLUSIONS: This study validated temporal stability for smartphone use patterns recorded by a mobile app. The results may provide researchers an opportunity to investigate human behaviors with more structured methods.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».