Social Media Use and Well-Being: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Prior research has investigated the link between social media use (SMU) and negative well-being. However, the connection with positive well-being has not been extensively studied, leading to a situation where there are inconsistent and inconclusive findings. This study fills this gap by examining the correlation between excessive and problematic SMU and subjective as well as psychological well-being (PWB). We conducted a systematic search across databases such as PubMed, Scopus, and Web of Science, and gray literature sources such as Research Gate and ProQuest, yielding 51 relevant studies for meta-analysis, encompassing a sample size of 680,506 individuals. Employing the Newcastle–Ottawa Scale, we assessed study quality, whereas statistical analysis was executed using R Studio. Excessive SMU showed no significant association with subjective ( ES = 0.003, 95% confidence interval [ 95% CI ]: −0.08, 0.09; p = 0.94, I 2 = 95.8%, k =16) and PWB ( ES = 0.16, 95% CI : −0.15, 0.45; p = 0.26, I 2 = 98%, k = 7). Conversely, problematic SMU showed a negative correlation with subjective ( ES = −0.14 , 95% CI : −0.20, −0.09; p = 0.00, I 2 = 93.3%, k = 25) and PWB ( ES = −0.19 , 95% CI : −0.31, −0.06; p = 0.01, I 2 = 95%, k = 5), with two outliers removed. No publication bias was detected. Subgroup analysis highlighted effects of “sampling method” ( p < 0.05), “study quality” ( p < 0.05), “developmental status” ( p < 0.05), “forms of social media” ( p < 0.05), and “type of population” ( p < 0.01) on the estimated pooled effect sizes. Although univariate meta-regression showed the effects of “% of Internet users” ( p < 0.05) and “male%” ( p < 0.05), and multivariate meta-regression showed the combined effect of moderators only on the relationship between problematic SMU and subjective well-being.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».