Internet addiction, substance use and alexithymic dimensions in two different faculties' students
Notice bibliographique
Résumé
OBJECTIVES: The aim of this study was to evaluate the relationship between internet addiction, substance use and alexithymia among students of education faculty and medical faculty. METHODS: This cross-sectional analytical study included 1,257 faculty students aged 18 and over, studying at Meram Medical Faculty and Ahmet Keleşoğlu Faculty of Education. Young's Internet Addiction Scale, Toronto Alexithymia Scale, Fagerström Tobacco Addiction Test and CAGE alcohol use tests were applied to collect data. RESULTS: The mean age of the participants was 21.12 ± 1.96 years, 71% (n = 893) of them were females and 29% (n = 364) were males, 37.9% (n = 477) were training at medical faculty, 62.1% (n = 780) were training at the faculty of education. Of the students, 1.5% were internet addicts, 15.3% were possible addicts, and 22.8% had alexithymia. Internet addiction was higher in those with higher alexithymia scores (p < 0.001). Internet addiction was significantly higher in male students, the third grade, ones with lower academic success, students who work their lessons less than 2 hours a week. Internet addiction was also significantly higher in smokers and alcohol users (p < 0.001). While there was a low negative correlation between the first internet using age and internet addiction (p < 0.001), there was a moderately significant positive correlation between spending uninterrupted time on the internet and internet addiction (p < 0.001). CONCLUSION: In this study, it was determined that the teacher and doctor candidates, who are studying at the faculties of education and medicine, were at risk of internet addiction. A teacher or a doctor who cannot develop social skills due to excessive internet use will not be a good model to communicate correctly with the target population.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».