Impact of COVID-19 Pandemic on Screen Time: Findings From a Cross-Sectional Observational Study Among College Students From India
Notice bibliographique
Résumé
In this study, we aimed to assess the impact of the COVID-19 pandemic on the amount and pattern of screen time among college students. The relationship between increased screen time and quality of life (QoL), COVID-related stress, and personality traits were also explored. A cross-sectional online survey-based study was conducted among Indian college students who were recruited by purposive sampling. Details regarding socio-demographics, amount and pattern of screen time usage, change in screen time patterns during the COVID-19 pandemic, and COVID-related stress were collected. In addition, personality traits and QoL were assessed with validated questionnaires. A total of 731 responses (51% female, mean age 20.7 years) were analysed. Of the participants, 93.2% self-reported an increase in daily screen time during COVID-19. The predominant reasons for the increased screen time were educational screen time (89.6%), streaming or watching videos for entertainment (82.8%), use of social media for non-communication purposes (78.1%), communication with friends and/or family members (76.2%), reading or watching news (65.9%), and interactive recreational screen time (44.7%). A small but significant negative correlation between increased screen time and QoL (rs = -0.154, p < .001) was found. Increased screen time due to the use of social media for non-communication purposes was associated with poorer QoL (U = 32947.50; p = .02) and greater COVID stress (U = 32381.50; p = .01). Educational screen time was the most common cause for increased screen time among college students and was not associated with negative effects on QoL. The context and purpose of screen time appears to be important in ascertaining the impact of screen time on QoL.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».