Effect of Electronic Device Addiction on Sleep Quality and Academic Performance Among Health Care Students: Cross-sectional Study
Notice bibliographique
Résumé
BACKGROUND: Sleep quality ensures better physical and psychological well-being. It is regulated through endogenous hemostatic, neurogenic, and circadian processes. Nonetheless, environmental and behavioral factors also play a role in sleep hygiene. Electronic device use is increasing rapidly and has been linked to many adverse effects, raising public health concerns. OBJECTIVE: This study aimed to investigate the impact of electronic device addiction on sleep quality and academic performance among health care students in Saudi Arabia. METHODS: A descriptive cross-sectional study was conducted from June to December 2019 at 3 universities in Jeddah. Of the 1000 students contacted, 608 students from 5 health sciences disciplines completed the questionnaires. The following outcome measures were used: Smartphone Addiction Scale for Adolescents-short version (SAS-SV), Pittsburgh Sleep Quality Index (PSQI), and grade point average (GPA). RESULTS: The median age of participants was 21 years, with 71.9% (437/608) being female. Almost all of the cohort used smartphones, and 75.0% (456/608) of them always use them at bedtime. Half of the students (53%) have poor sleep quality, while 32% are addicted to smartphone use. Using multivariable logistic regression, addiction to smartphones (SAS-SV score >31 males and >33 females) was significantly associated with poor sleep quality (PSQI >5) with an odds ratio of 1.8 (1.2-2.7). In addition, male gender and older students (age ≥21 years) were significantly associated with lower GPA (<4.5), with an odds ratio of 1.6 (1.1-2.3) and 2.3 (1.5-3.6), respectively; however, addiction to smartphones and poor sleep quality were not significantly associated with a lower GPA. CONCLUSIONS: Electronic device addiction is associated with increased risk for poor sleep quality; however, electronic device addiction and poor sleep quality are not associated with increased risk for a lower GPA.
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 | 0,002 |
| 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 | 0,000 |
| 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) | 0,002 | 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 ».