Moderate Gaming and Internet Use Show Positive Association with Online Reading of 10-Year-Olds in Europe
Notice bibliographique
Résumé
The paper analyses how four screen activities relate to reading scores using the representative sample of 21,217 ten-year-olds who sat online and offline Progress in International Reading Literacy Study (PIRLS) test in six high-income European countries. In regression models, gaming and Internet use showed a right-skewed inverted U-shape relationship to online reading with moderate use (30–60 min daily) showing a positive association when compared to both no-use and heavy use (above 2 h). Online chatting and watching videos showed negative relationship to online reading above the threshold of approximately one hour daily. Quantile regression showed that all four types of screen time had similar influence on top and bottom performers except for gaming over 2 h daily which was associated with 26-point (or over a quarter of a standard deviation) lower score for low-performers and 6-point lower score for top-performers. The paper documents the emergence of online-offline reading gaps: children who reported no screen use scored 6–11 points lower on online than offline test. Similarly, children who spent more time online scored higher on online tests than on offline tests. Whenever the heavy screen use yielded significant results, it was associated with higher online score (ranging from 8 to 16 points) when compared to offline score. A common finding for all screen activities, testing modes and groups of performers is an adverse effect on reading of more than two hours daily of screen time.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,002 | 0,001 |
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 ».