Problem Technology Use, Academic Performance, and School Connectedness among Adolescents
Notice bibliographique
Résumé
BACKGROUND: Little is known about the association between problem technology use in adolescents and school-related outcomes. The purpose of this study was to determine the prevalence of problem technology use and examine its association with academic performance and school connectedness in a sample of students across Ontario, Canada. METHODS: Self-reported data from a sample of 4837 students in grades 9 to 12 (mean age: 15.9 years; 49.5% females) were cross-sectionally analyzed. Ordered logistic regression models were adjusted for important covariates. RESULTS: We found that 35.8% of students used their screen device for at least 5 h a day and about 18.6% had moderate-to-serious symptoms of problem technology use, a prevalence that was higher in females (22.4%) than males (14.9%). Heavy technology use was differentially associated with lower academic performance and lower levels of school connectedness in males and females. Having moderate-to-serious symptoms of problem technology use was associated with lower academic performance among males (AOR = 0.68, 95% CI = 0.53-0.87) and females (AOR = 0.66, 95% CI = 0.52-0.84). It was also associated with less school connectedness in both males (AOR = 0.65, 95% CI = 0.50-0.86) and females (AOR = 0.63, 95% CI = 0.51-0.78). CONCLUSION: Excessive use and problem technology use are highly prevalent among secondary school students, and they are associated with lower academic performance and lower levels of school connectedness.
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 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».