MétaCan
Menu
Retour à la cohorte
Enregistrement W4391577227 · doi:10.2196/46824

Internet Use and Effects on Mental Well-being During the Lockdown Phase of the COVID-19 Pandemic in Younger Versus Older Adults: Observational Cross-Sectional Study

2024· article· en· W4391577227 sur OpenAlexvenueno aff
Chou Chuen Yu, Nien Xiang Tou, James A. Low

Notice bibliographique

RevueJMIR Formative Research · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueTechnology Use by Older Adults
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPandemicPsychosocialAnxietyThe InternetMental healthMedicineYoung adultObservational studyGerontologyPsychologyDepression (economics)LonelinessCoronavirus disease 2019 (COVID-19)PsychiatryDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Majority of individuals, including both younger and older adults, had to adapt to digital means to cope with lockdown measures and pandemic-induced lifestyle changes during the COVID-19 pandemic. While internet accessibility was beneficial during the pandemic, existing literature suggests that excessive use could lead to the rise of problematic internet use in adolescents and younger adults. However, the effects on older adults remain unclear. OBJECTIVE: This study aimed to examine differences in internet use during the lockdown phase of the COVID-19 pandemic and explore how age differences in mental health could be explained by time spent on the internet. METHODS: A door-to-door survey of a nationally representative sample of 602 adults in Singapore was carried out using computer-assisted personal interviewing during the early phase of the COVID-19 pandemic (October to November 2020). Participants were categorized into younger (21-59 years old) and older (60 years or above) age groups. We assessed self-reported measures of depression, anxiety, and stress; psychosocial adaptability; ability to perform essential activities; social support; health status; digital media use patterns, and time spent on the internet. Procedures complied with existing safe distancing measures. RESULTS: Older adults reported being less able to use digital platforms to meet needs and acquire information updates compared with younger adults during the lockdown period of the pandemic. Older adults spent significantly less time on the internet for both work and personal uses per day (mean 146.00 min, SD 9.18 min) compared with younger adults (mean 433.27 min, SD 14.32 min). Significant age differences in depression, anxiety, and stress were found, with younger adults showing poorer mental health. Mediation analysis showed that age differences in depression, anxiety, and stress were partially explained by time spent on the internet. These variables together explained 43%, 40%, and 40% of the variances in depression, anxiety, and stress scores, respectively. CONCLUSIONS: The findings showed that younger adults spent significantly more time on the internet compared with older adults during the lockdown phase of the pandemic. They were also ahead in their ability to use digital resources to meet needs and engage socially compared with older adults. Despite this, the mental health of younger adults was poor, and this was partially accounted for by the amount of time spent on the internet. Since past research suggests that excessive time spent on the internet could lead to disordered use, the benefits brought by digital technologies could have been attenuated during the lockdown phase of the pandemic. Considering this potential negative effect, it is imperative to educate both young and old adults in the appropriate use of information and communication technology.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,145
Score d'incertitude au seuil0,527

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,114
Tête enseignante GPT0,463
Écart entre enseignants0,349 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetTechnology Use by Older AdultsTravaux en français237 207