Are There Bidirectional Influences Between Screen Time Exposure and Social Behavioral Traits in Young Children?
Notice bibliographique
Résumé
OBJECTIVE: Screen time in early childhood has been associated with children's prosocial and behavioral skills; however, the directionality of this relationship is unclear. We aimed to determine the direction of the relationship between screen time, social skills, and nonsocial behavioral traits in young children. METHODS: This was a population-based, prospective cohort study with data across 5 time points. We examined the reciprocal relationships between caregiver-reported children's screen time at 12, 18, 24, 36, and 54 months and social behaviors collected using the Infant-Toddler Social-Emotional Assessment at 12 months; the Quantitative Checklist for Autism at 18, 24, and 36 months; and the Social Responsiveness Scale at 54 months. Cross-lagged path models were used for analysis. RESULTS: A multiple imputation data set and complete data from 229 participants were included in the analyses. Screen time at 12, 18, and 36 months predicted nonsocial behavioral traits at 54 months. Cross-lagged path models showed a clear direction from increased screen time at earlier time points to both poorer social skills and atypical behaviors at later time points (Akaike information criterion 18936.55, Bayesian information criterion 19210.73, root mean square error of approximation 0.037, and comparative fit index 0.943). Social skills or behavioral traits at a younger age did not predict later screen time at any of the time points. CONCLUSION: Screen time in early childhood has lagged influences on social skills and nonsocial behaviors; the reverse relationship is not found. Close monitoring of social behaviors may be warranted in the setting of excessive screen time during early childhood.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».