Impacts of digital social media detox for mental health: A systematic review and meta-analysis
Notice bibliographique
Résumé
The impact of social media has been significant on various aspects of life, particularly mental health. Growing concerns about the adverse effects of social media use have prompted the exploration of experimental interventions, defined as digital detox interventions. However, it remains unclear whether digital detox interventions are effective for mental health outcomes. The aim of this study was to provide comprehensive insights into the effects of digital detox interventions on various mental health outcomes, including depression, life satisfaction, stress, and mental well-being. Following the PRISMA guidelines, systematic searches were carried out in online databases, including PubMed and ScienceDirect, within the publication range of 2013 and 2023. A total of 2578 titles and abstracts were screened, and 10 studies were included in the analysis. A risk of bias assessment was conducted using RoB 2.0 and the Newcastle-Ottawa scale, while statistical analysis was conducted using RevMan 5.4.1. Our data indicated a significant effect of digital detox in mitigating depression with the standardized mean difference (SMD: -0.29; 95%CI: -0.51, -0.07, p=0.01). No statistically significant effects were discerned in terms of life satisfaction (SMD: 0.20; 95%CI: -0.12, 0.52, p=0.23), stress (SMD: -0.31; 95%CI: -0.83, 0.21, p=0.24), and overall mental well-being (SMD: 0.04; 95%CI: -0.54, 0.62, p=0.90). These data underscore the nuanced and selective influence of digital detox on distinct facets of mental health. In conclusion, digital detox interventions significantly reduce depressive symptoms, suggesting that intentional reduction or cessation of digital engagement may help alleviate contributing factors. However, no statistically significant effects were observed in mental well-being, life satisfaction, and stress. This discrepancy may be due to the complex nature of these constructs, involving various factors beyond the scope of digital detox interventions.
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 | 0,011 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,015 | 0,029 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».