Perceptions Underlying Addictive Technology Use Patterns: Insights for Cognitive-Behavioural Therapy
Notice bibliographique
Résumé
Cognitive-Behavioural Therapy (CBT) is considered the 'gold standard' in the treatment of addictive disorders related to excessive technology use. However, the cognitive components of problematic internet use are not yet well-known. The aim of the present study was to explore the cognitive components, that according to problematic users, can lead to potential internet addiction. A total of 854 European adults completed an online survey using a mixed-methods design. Internet problems and attachment styles were assessed, prevalence rates estimated, correlations, chi-squared automatic interaction detection, and content analysis were performed. Self-reported addictions to social networking, internet, and gaming had a prevalence between 1.2% (gaming) to 2.7% (social networking). Self-perception of the addiction problem and preoccupied attachment style were discriminative factors for internet addiction. In an analysis of qualitative responses from self-identified compulsive internet users, a sense of not belonging and feeling of disconnection during life events were perceived as causes for internet addiction. The development depended on a cycle of mixed feelings associated with negative thoughts, compensated by a positive online identity. The severity of this behaviour pattern produced significant impairment in various areas of the participants' functioning, suggesting a possible addiction problem. It is suggested that health professionals administering CBT should target unhealthy preoccupations and monitor mixed feelings and thoughts related to internet use to support coping with cognitive distortions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».