HOW DOES THE COVID-19 PANDEMIC AFFECT YOUNG CHILDREN’S SCREEN TIME? THE ROLE OF BIOECOLOGICAL FACTORS
Notice bibliographique
Résumé
During the COVID-19 pandemic, young children faced a shift to online education due to social isolation rules, resulting in increased time spent in front of digital screens. Even before the pandemic, the World Health Organization had recommended limiting screen time for young children as extended screen exposure was becoming more common with the increased prevalence of digital tools. This study aimed to examine the status of young children’s screen time during the COVID-19 pandemic and explore the factors influencing it, encompassing child, parent, and environmental dynamics. Through a large-scale online survey, 1,346 parents with children aged 2 to 6 from all 81 provinces of Türkiye participated in the research. Hierarchical linear regression analysis revealed that age, digital device ownership, parental screen time, and mediation strategies were positively associated with children’s screen time, while higher parental income, education, and engagement in dramatic play were negatively correlated. These findings underscore the importance of targeted interventions to achieve a healthier degree of screen usage among young children. Policymakers can play a role in raising awareness about limiting both parent and child screen time and promoting screen-free activities within the home environment, thereby contributing to improving the balance between screen usage and other activities among young children as society moves beyond the pandemic.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».