Smartphone Addiction and Associated Factors among Postgraduate Students in an Arabic Sample: A Cross-sectional Study.
Notice bibliographique
Résumé
Abstract Background: Smartphone addiction and other behavioral addictions have been established to accompany social, physical, and mental health issues. In this article, we will be investigating the prevalence of smartphone addiction among postgraduate students as well as assessing its relationship to social demographics, depression, ADHD, and nicotine dependence. Objectives: · The prevalence of smartphone addiction among middle eastern postgraduate students.· Ascertain the associated factors of smartphone addiction.· Measure the incidence of MDD, ADHD, insomnia, and nicotine addiction among postgraduate students with smartphone addiction. Methods: A Cross-sectional online survey, a self-questionnaire is divided into six sections; Socio-demographics, the Smartphone Addiction Scale (SAS) Patient Health Questionnaire for Depression (PHQ9). Athens Insomnia Scale (AIS) the Fagerstrom Test for Cigarette Dependence Questionnaire (FTCd) and the Adult ADHD Self-Report Scale (ASRS-v1.1) Results: 51.0% of the participants had smartphone addiction. There’s a significant association between high smartphone use and MDD (p=0.001). 41.5% of smokers are addicted to smartphones (p=0.039). Smartphone addicts have about two times the risk of developing insomnia (OR= 2.113) (P= 0.013). Smartphone addicts had a significant risk of developing ADHD symptoms (OR =2.712) (P <0.001). Conclusion: Confirming several studies, we found a positive association between Insomnia, Depression, Adult ADHD, and Smartphone addiction. Therefore, we encourage the scientific community to study the impacts of smartphone addiction and the mental health of post-graduate students.
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 | 0,042 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,006 | 0,001 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».