Effects of Social Media Use on Health and Academic Performance Among Students at the University of Sharjah
Notice bibliographique
Résumé
From the statistics, almost 5 billion people in 2020 will be connected to Social Media (SM). Studies have drawn attention to the harms of SM to the health of students; it affects their attention span, memory, sleep, vision, and overall physical, mental, and social health. In this paper, we investigate the effects of SM use on the health and academic performance of students at the University of Sharjah. This study shows that students with more self-regulation have better control over social media use. A cross-sectional mixed approach (CSMA) was used to conduct the research using both quantitative and qualitative data. Out of 300 student participants in our study, the majority of them used Instagram, followed by WhatsApp and Twitter. Students reported an average time of 3-4 hours per day on social media; however, qualitative data showed that many students spent all day on social media. A majority of the students used social media to chat with friends and make new connections. They agreed that their use of social media has reduced reading of paper-based resources and has affected their grammar and writing skills. The use of SM delayed their bedtime and left fewer hours for sleep and caused eyestrain, neck/shoulder pain, fatigue, and poor posture, with declining physical activity. This study concludes that social media use does affect academic performance and health among the students of the University of Sharjah. Considering the negative consequences of extensive social media use, universities need to create awareness programs and can incorporate this as a topic in health education and awareness courses. Our study also generated new information and insights about the effects of high levels of SM usage on the health and academic performance among university students, thereby creating opportunities for further research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».