Social Media Use and Jaw Motor Activity: Insights From Electromyography and Self‐Report Data
Notice bibliographique
Résumé
BACKGROUND: Oral behaviors (OBs) are recognized risk factors for temporomandibular disorders. Social media use has been reported to be linked with stress, a key regulator of jaw motor activity. Whether social media use increases the incidence of OBs remains undetermined. OBJECTIVE: To investigate the impact of social media use on jaw motor activity. METHODS: Seventy-two individuals (36 females, 36 males; 22.4 ± 2.8 years) completed an online survey assessing their screen habits and OBs using the oral behaviour checklist (OBC). A subset of 30 healthy participants (15 females, 15 males; 22.2 ± 2.0 years) completed an in-person experimental session involving three 30-min tasks (silent reading, using social media and watching a documentary on TV). The electromyographic (EMG) activity of the right masseter was measured throughout the session. OBs were identified as events with EMG amplitude exceeding 10% of the participants' maximum voluntary contraction (MVC) lasting at least 2 s. General linear and mixed-effect models were used to test relationships between screen habits, OBC scores, and task-related EMG metrics. RESULTS: Mean ± SD daily social media use was 154 ± 73 min on weekdays and increased to 185 ± 85 min on weekends (p < 0.001). Time spent on social media was a significant but weak predictor of OBC scores (B = 0.042, SE = 0.014, t = 3.009; 95% CI = 0.014-0.070; p = 0.004). No significant differences in OB frequency, duration, or amplitude were observed across experimental tasks (all p > 0.05). CONCLUSION: While social media use was modestly associated with self-reported OBs, it did not significantly affect jaw motor activity in a controlled experimental setting. Further studies using ambulatory EMG recordings are recommended.
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 | 0,004 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».