Predictors of the Intention to Stop Using Smart Devices at Bedtime Among University Students in Saudi Arabia: Cross-Sectional Survey
Notice bibliographique
Résumé
BACKGROUND: The widespread use of smart devices, particularly among university students, has raised concerns about their impact on sleep quality. Bedtime usage of smart devices is associated with sleep disruptions and poor sleep quality. OBJECTIVE: This study aimed to explore the behavioral and perceptual factors influencing university students' intention to stop using smart devices at bedtime in Saudi Arabia. METHODS: A cross-sectional survey was conducted in June 2024 and distributed via social media platforms to university students (aged ≥18 years). The questionnaire collected data on demographics, smart device usage habits, perceived negative effects on sleep, and physical sleep disturbances. The Pittsburgh Sleep Quality Index was used to assess sleep quality. Path analysis was performed to evaluate relationships between the outcome variables, intended to stop using smart device usage, and 3 latent variables: sleep quality smartphone usage, sleep quality perceived negative effects, and sleep quality during the past month. Model fit was assessed using chi-square, comparative fit index, and root mean square error of approximation. RESULTS: Of the 774 participants, 90.43% (700/774) reported using their smart devices every night and 72.48% (561/774) believed bedtime device use negatively affected them the next morning. The most frequently reported next-morning symptoms were fatigue or drowsiness (480/774, 62.01%). Common purposes for bedtime device use were staying in touch with friends or family (432/774, 55.81%), entertainment (355/774, 45.86%), and filling up spare time (345/774, 44.57%). Overall, 58.26% (451/774) expressed an intention to stop bedtime device use within the next 3 months. Path analysis demonstrated that frequent nightly use (path coefficient=0.36) and after-lights-off usage (0.49) were positively associated with the intention to stop, whereas spending ≥3 hours on devices (-0.35) and engaging in multiple activities (-0.18) had negative associations. The strongest predictors of the intention to stop were perceived negative effects on next-morning well-being (0.71) and difficulty breathing comfortably during sleep (0.64). Model fit was excellent (comparative fit index=0.845 and root mean square error of approximation=0.039). CONCLUSIONS: Perceived negative effects on sleep quality and physical sleep disturbances are strong predictors of the intention to stop using smart devices at bedtime among university students in Saudi Arabia. Interventions aimed at improving sleep hygiene should focus on raising awareness about the impact of smart device use on well-being and addressing behaviors such as late-night usage and heavy screen time. Public health strategies should target both psychological and physiological aspects of bedtime smart device use to improve sleep quality in this population.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».