Social Media and Mental Health in Adolescents
Notice bibliographique
Résumé
This study employs a quantitative research approach to investigate the relationship between social media use and adolescent mental health. The evolution of social media has revolutionized communication, becoming an integral part of daily life. Numerous studies have shown that adolescents (ages 12-19) spend significant time on social media platforms, impacting mental health. (Kaur et al., 2022) in India. In the case of Nepal, adolescent students spend a good amount of time on social media. However, the impact of using social media by adolescent students is not systematically investigated. (Kharel, 2023) This research study aims to examine the relationship between social media use and adolescent mental health. It has conducted a structured survey with 260 participants from Kathmandu Valley and Dang Valley in Nepal. It has defined various factors as well-being, psychological, risk, value, and perceived factors. Responses were recorded on a five-point Likert scale ranging from 1 (strongly disagree) to 5 (strongly agree). Cronbach’s alpha test (0.94) confirms strong internal consistency. While conducting the sampling, a 95% confidence level was assumed, with a desired margin of error set at 5% and an expected population proportion of 0.2. Results indicate no significant gender differences (ANOVA p = 0.56), but linear regression analysis reveals a mental health outcome of 12.5. Cronbach’s alpha test (0.94) confirms strong internal consistency. The findings indicate no significant gender differences but emphasize the need for targeted interventions to mitigate social media's negative impact on adolescent mental health. Mental health professionals should focus on early detection, its impact, and preventive strategies to support adolescent mental health. Keywords: Social media impact, adolescent mental health, social media and mental health, positive and negative impact of social media, mental health survey
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 | 0,004 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».