Digital media use and suicidal behavior in U.S. adolescents, 2009–2017
Notice bibliographique
Résumé
U.S. adolescent suicidal behavior and digital media use prevalence have contemporaneously increased this decade in population-level ecological analyses. The purpose of this study was to determine whether these two trends are directly associated by using multi-year person-level data to test whether the association of year with suicidal behavior was mediated by digital media use. Data were from the Youth Risk Behavior Surveillance System (2009-2017), a nationally-representative biennial cross-sectional self-report survey of U.S. students (N = 72,942). Mediation analysis was used to estimate the proportion of cross-year changes in suicidal behavior that were mediated by concurrent changes in leisure-time digital media use. Past-year suicidal behavior in 2011 (19.6%), 2013 (20.4%), 2015 (21.7%), and 2017 (20.5%) increased relative to 2009 (17.1%). Hours of daily digital media use in 2011 (mean[SD] = 2.65[1.86]), 2013 (mean[SD] = 3.02[2.08]), 2015 (mean[SD] = 2.97[2.12]), and 2017 (mean[SD] = 3.01[2.18) increased vs. 2009 (mean[SD] = 2.31[1.81]). The association of survey year with suicidal behavior was mediated by digital media use-20.5%(95%CI = 16.2, 24.8), 34.3%(95%CI = 24.5, 44.1), 22.8%(95%CI = 17.3, 28.0), and 41.4%(95%CI = 33.9, 49.5) of cross-year suicidal behavior prevalence increases (vs. 2009) for 2011, 2013, 2015, and 2017, respectively, were mediated by concurrent digital media use increases. Therefore, small proportions of the 2009-2017 increases in U.S. adolescent suicidal behavior are associated with concurrent increasing digital media use trends. Further exploration of these trends is warranted.
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 | 0,006 |
| 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 | 0,001 |
| 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 ».