Understanding Problematic Smartphone and Social Media Use Among Adults in France: Cross-Sectional Survey Study
Notice bibliographique
Résumé
Background: The Evaluation of Digital Addiction (EVADD) study investigates problematic smartphone use in the digital age, as global smartphone users reached 55.88 million in France in 2023. With increased screen time from digital devices, especially smartphones, the study highlights adult use issues and associated risks. Objective: The aim of the study is to assess the prevalence of compulsive smartphone use among French adults and identify patterns of problematic behaviors, including their impact on daily activities, sleep, and safety. Methods: The EVADD study used a cross-sectional, nonprobability sample design, conducted from May 3 to June 5, 2023. Participants were recruited through the French mutual insurance company PRO-BTP. Data were collected anonymously via a digital questionnaire, including the Smartphone Compulsive Use Test, capturing information on social network engagement, device ownership, and daily screen use. Results: A total of 21,244 adults (average age 53, SD 15 years; 9844 female participants) participated. Among 21,244 participants, 8025 of 12,034 (66.7%) respondents exhibited compulsive smartphone use (P<.001). Additionally, 7,020 (36.7%) participants scored ≥8 on the Smartphone Compulsion Test, indicating addiction. Younger participants (18-39 years) were significantly more likely to show signs of addiction (2504/4394, 57%; odds ratio 2.5, 95% CI 1.9-3.2) compared to participants aged ≥60 years. Problematic behaviors included unsafe smartphone use while driving (5736/12,953, 44.3%), frequent smartphone use before bedtime (9136/21,244, 43%), and using smartphones in the bathroom (7659/21,244, 36.1%). Sleep disturbances and risky behaviors correlated strongly with higher compulsion scores (P<.01). Conclusions: The EVADD study highlights the complex relationship between adults and smartphones, revealing the prevalence of compulsive behaviors and their impact on daily life, sleep, and safety. These findings emphasize the need for public awareness campaigns, preventive strategies, and therapeutic interventions to mitigate health risks associated with excessive smartphone use.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».