At‐risk internet addiction and related factors among senior high school teachers in Japan based on a Nationwide survey
Notice bibliographique
Résumé
BACKGROUND: Internet addiction (IA) has been drawing attention to mental health. However, few reports have been found on the related factors of at-risk IA among regular workers by a nationwide survey. The study aimed to evaluate the characteristics of at-risk IA and identify related factors among senior high school teachers in Japan. METHODS: This survey was a cross-sectional survey of high schools across Japan in 2017. There were 3189 teachers (2088 males and 1098 female) who participated in this survey. The questionnaire asked about their devices, both the time and the activities of using their internet, and sociodemographic factors. IA was measured by the internet addiction test (IAT) by which 40-79 points were classified as at-risk IA, and more as IA. We compared the related factors of at-risk IA and non-IA using descriptive analysis and multivariable regression analysis. RESULTS: The rates of IA and at-risk IA were 0.09% (n = 3) and 6.91% (n = 220), respectively. At-risk IA was positively associated with activities on the internet for gaming, entertainment, net-surfing, and younger ages. In addition, the at-risk IA group had a longer time spent on the internet than the non-IA group. CONCLUSIONS: Around 7% of high school teachers are at-risk IA in this survey, though they have regular work. Our results suggest that at-risk IA may be reinforced not only by the active internet use such as gaming, but also by purposeless behaviors, such as net-surfing. Managing time on the internet may support preventing at-risk IA among senior high school teachers.
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 | 0,002 | 0,003 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».