Asociación entre la adicción a la tecnología y el rendimiento académico en universitarios latinoamericanos en 2024
Notice bibliographique
Résumé
Introduction: The use of new technology devices connected to the Internet is daily access for most university students, who may become addicted to it with a negative impact on their academic performance. Objective: To determine the relationship between addiction to technological equipment and poor academic performance. Methodology: An observational and correlational design was applied. The study population was made up of Latin American university students in 2024. Technology addiction was measured with the Labrador JF questionnaire and academic performance with a perception test. A telematic questionnaire distributed through social networks was applied. Descriptive and analytical statistics were applied with the Epi Info 7™ program. Results: The sample included 445 students, 320 women (71.91%) with a mean age of 23 ± 9 years and 125 men (28.09%) with a mean age of 22 ± 7 years. Most reside in Peru and Paraguay. The most used devices were cell phones and computers (46.74%). 68.99% (n 307) do not have their own economic income. The average time spent daily using these electronic devices was 4 hours. Addiction to technological equipment was detected in 165 (37.08%) students and low academic performance was reported by 281 students (63.15%). Analyzing both variables, a statistically significant association was found: RR 1.21 (95% CI 1.05 – 1.39) (p 0.01). Conclusions: A statistically significant association was found between dependence on technological equipment and low academic performance in university students. Timely detection of this habit and the application of therapeutic strategies to mitigate the excessive use of electronic equipment 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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».