Associations of Passive and Mentally Active Screen Time With Perceived School Performance of 197,439 Adolescents Across 38 Countries
Notice bibliographique
Résumé
OBJECTIVE: To examine the associations of passive (ie, television) and active (ie, electronic games, computer use) screen time (ST) with perceived school performance of adolescents across gender. METHODS: Data were from the 2014 Health Behaviour in School-aged Children survey conducted across 38 European countries and Canada. Perceived school performance was assessed using an item and dichotomized as high (good/very good) versus the remainder (average/below-average as reference). Participants reported hours per day of time spent watching television, playing electronic games, and using a computer in their free time. Multilevel logistic regression was used to estimate the associations. RESULTS: A total of 197,439 adolescents (average age 13.6 [standard deviation 1.63] years; 51% girls) were analyzed. Multivariable modeling showed that engaging in >2 h/d of ST was progressively and adversely associated with high performance in both boys and girls. Adolescents reporting >4 h/d of television time (≤1 h/d as reference) had 32% lower odds in boys (odds ratio [OR] 0.68; 95% confidence interval [CI]: 0.65-0.71) and 39% lower odds in girls (OR 0.61; 95% CI, 0.58-0.65) of reporting high performance. Playing electronic games for >4 h/d was associated with high performance with odds being 38% lower in boys (OR 0.62; 95% CI, 0.59-0.66) and 45% lower in girls (OR 0.55; 95% CI, 0.52-0.57). Sex differences in the estimates were mixed. CONCLUSIONS: High screen use, whether active or passive, was adversely associated with perceived high school performance, with association estimates being slightly stronger in girls than boys, and for mentally active than passive screen use. Discouraging high levels of screen use of any type could be beneficial to school performance.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».