Using Wearable Cameras to Categorize the Type and Context of Screen-Based Behaviors Among Adolescents: Observational Study
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
BACKGROUND: Automated wearable cameras present a new opportunity to accurately assess human behavior. However, this technology is seldom used in the study of adolescent's screen exposure, and the field is reliant on poor-quality self-report data. OBJECTIVE: This study aimed to examine adolescents' screen exposure by categorizing the type and context of behaviors using automated wearable cameras. METHODS: Adolescents (mean age 15.4 years, SD 1.6 years; n=10) wore a camera for 3 school evenings and 1 weekend day. The camera captured an image every 10 seconds. Fieldwork was completed between February and March 2020, and data were analyzed in August 2020. Images were date and time stamped, and coded for screen type, content, and context. RESULTS: Data representing 71,396 images were analyzed. Overall, 74.0% (52,842/71,396) of images contained screens and 16.8% (11,976/71,396) of images contained multiple screens. Most screen exposures involved television sets (25,950/71,396, 36.3%), smartphones (20,851/71,396, 29.2%), and laptop computers (15,309/71,396, 21.4%). The context of screen use differed by device type, although most screen exposures occurred at home (62,455/64,856, 96.3%) and with solitary engagement (54,430/64,856, 83.9%). The immediate after-school period saw high laptop computer use (4785/15,950, 30.0%), while smartphone use (2059/5320, 38.7%) peaked during prebedtime hours. Weekend screen exposure was high, with smartphone use (1070/1927, 55.5%) peaking in the early morning period and fluctuating throughout the day. CONCLUSIONS: There was evidence for high screen use during the after-school and weekend period, mostly through solitary engagement, and within the home environment. The findings may inform the basis of larger studies aimed at examining screen exposure in free-living conditions.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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