Predicting Psychological Symptoms When Facebook’s Digital Well-being Features Are Used: Cross-sectional Survey Study
Notice bibliographique
Résumé
BACKGROUND: Prior research has linked social media usage to poorer mental health. To address these concerns, social media platforms have introduced digital well-being tools to help users monitor their engagement. Nonetheless, little is known about the effectiveness of these tools. OBJECTIVE: In this study, we focused on Facebook to assess users' awareness and usage of the following six Facebook well-being tools: the Unfollow, Snooze, Off-Facebook Activity, Your Time on Facebook, Set Daily Reminders, and Notification Settings features. Additionally, we examined whether the use of these tools was associated with better mental health outcomes. METHODS: We conducted a cross-sectional survey of 598 Facebook users. The survey comprised questions about (1) baseline Facebook use, (2) the adoption of Facebook's digital well-being tools, and (3) participant demographics. These were used to predict the primary outcome measure-scores on the 21-item Depression, Anxiety, and Stress Scale. RESULTS: Most participants (580/598, 97%) knew about Facebook's digital well-being tools, but each tool was used by only 17.4% (104/598) to 55.5% (332/598) of participants. In turn, the use of two tools was associated with better well-being; although participants who spent more time on Facebook reported higher levels of depression, anxiety, and stress, those who managed their feed content or notifications by using the Unfollow or Notification Settings features had lower scores on each of these measures. However, the use of the Snooze, Off-Facebook Activity, Your Time on Facebook, or Set Time Reminder features was not associated with lower depression, anxiety, or stress scores. CONCLUSIONS: Of the 6 Facebook digital well-being tools, only 2 were associated with better mental health among users. This underscores the complexity of designing social media platforms to promote user welfare. Consequently, we urge further research into understanding the efficacy of various digital well-being tools. TRIAL REGISTRATION: ClinicalTrials.gov NCT04967846; https://clinicaltrials.gov/ct2/show/study/NCT04967846.
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 | 0,008 | 0,001 |
| 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 | 0,006 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; 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 ».