Association of Excessive <i> WeChat</i> Use with Mental Disorders: A Representative Nationwide Study in China
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives: We examined associations between excessive WeChat use and mental disorders at the individual and contextual level. Methods: We conducted a representative nationwide survey sampling process of 11,283 medical students from 30 universities in China. Mental health status was measured by the Chinese Health Questionnaire. Both unadjusted and adjusted methods were considered in the analyses. Results: High frequency and long-time use prevalence was 19.1% and 31.2% respectively among WeChat users. The multilevel logistic regression model found that individual-level high frequency (OR = 1.26) and long-time use (OR = 1.24) were significantly associated with mental health disorders. University-level excessive WeChat use also was associated with the mental disorders (OR = 1.33 [high frequency use]; OR = 1.17 [long-time use]). Structural equation analysis showed that individual- and university-level high frequency and individual-level and university-level long-time WeChat use have a direct influence on poor mental health. The above variables, except individual-level long-time use, have an indirect influence on poor mental health through mental stress. Conclusions: This study provides new evidence that excessive WeChat use is associated with mental disorders. These findings underscore the importance of alerting people to the possible health risks of excessive social media use.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle