Predicting Patterns of Problematic Smartphone Use among University Students: A Latent Class Analysis
Notice bibliographique
Résumé
University students are consistently ranked among the highest users of smartphones. As such, recent research has focused on examining the antecedents and consequences of problematic smartphone use among university students. While this work has been instrumental to our understanding of the risk and protective factors of developing problematic smartphone use, it has been largely variable-centered and thus fails to recognize the diversity with which problematic smartphone use is experienced among university students. As such, this study employed a person-centered approach (i.e., latent class analysis) to classify individuals based on patterns of problematic smartphone use feature/symptom cooccurrence among a sample of 403 Canadian university students. The relationships between these subgroups (or classes) and potential covariates (i.e., self-regulation, attachment anxiety, and attachment avoidance) were then examined to gain a more complete understanding of university students’ experiences of problematic smartphone use. Three classes of problematic smartphone use were identified: (1) “connected” displaying the features/symptoms of problematic smartphone use associated with being constantly connected to smartphones; (2) “problematic” displaying all of the features/symptoms of problematic smartphone use; (3) “distracted” displaying the features/symptoms associated with being distracted by smartphones. Findings indicate that attachment anxiety and avoidance were significantly associated with membership in the most pathological (i.e., “problematic”) class, suggesting that this may be an especially important risk factor for developing problematic smartphone use among university students. Moreover, self-regulation was significantly related to membership in the least pathological class (i.e., “connected”) suggesting that this may function as an important protective factor in developing more concerning patterns of problematic smartphone use. Findings from this work provide empirical evidence of a heterogeneity in patterns of problematic smartphone use associated with distinct individual-level risk factors. This has important implications for conceptualizations of problematic smartphone use and the development of intervention and prevention efforts.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».