Physical Activity as a Predictor of Internet Gaming Disorder in a Swiss Male Cohort (C-SURF): L’activité physique comme prédicteur des troubles liés aux jeux vidéo en ligne dans une cohorte de jeunes hommes suisses (C-SURF)
Notice bibliographique
Résumé
HISTORY AND OBJECTIVES: This study addresses the increasing global concerns surrounding Internet gaming disorder (IGD) by exploring their connection to physical activity (PA) as a potential preventive and early intervention measure. The research aims to examine the relationship between PA and the progression of IGD. METHODS: Longitudinal data from the Cohort research on Substance Use Risk Factors involving young Swiss men undergoing army conscription was employed. PA levels were assessed using the International PA Questionnaire (IPAQ), while the Game Addiction Scale (GAS) and Compulsive Internet Use Scale determined IGD presence. Analysis involved zero-inflated negative binomial regression models. RESULTS: Higher PA levels were associated with lower IGD risk. Notably, individuals engaging in high physical exercise exhibited a lower IGD prevalence compared to those with moderate or low activity levels. DISCUSSION: The study suggests that intensive physical exercise might serve as a preventive strategy against developing IGD. This protective effect could stem from various mechanisms. However, the study's limitations, such as a male-only sample and a small low-activity group, should be considered when interpreting results. CONCLUSION: The longitudinal study demonstrates the positive influence of intense physical exercise on mitigating gaming-related issues. These findings underscore the potential of PA interventions in addressing the growing problem of IGDs and their impact on health. Further research is necessary to uncover underlying mechanisms behind the PA-IGD relationship and validate these findings across diverse demographics.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».