Impacts of digital technologies on child and adolescent health: recommendations for safer screen use in educational settings
Notice bibliographique
Résumé
The use of screen-based digital technologies (such as computers and digital devices) is increasing for children and adolescents, worldwide. Digital technologies offer benefits, including educational opportunities, social connection and access to health information. Digital fluency has been recognised as an essential skill for future prosperity. However, along with these opportunities, digital technologies also present a risk of harm to young people. This issue may be particularly important for young New Zealanders, who have among the highest rates of screen use in the world. Our recently published review examined the impacts of digital technologies on the health and wellbeing of children and adolescents. Key findings revealed some positive impacts from moderate use of digital technologies; however, frequent and extended use of screen-based digital tools were associated with negative impacts on child and adolescent health in some areas, such as eye health, noise-induced hearing loss and pain syndromes. Conversely, in areas such as mental health, wellbeing and cognition, quality of screen media content and additional factors such as age may be more important than duration of use. These challenges gave us the impetus to develop pragmatic recommendations for the use of digital technologies in schools, kura kaupapa and early childhood education. Recommendations include interventions to lower risk across different ages and stages of development. Supporting young people to mitigate risk and develop safer screen behaviours will allow them to gain essential digital skills and access opportunities that will enable them to thrive.
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 | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».