Mapping adolescent problematic social media use patterns across 41 countries/regions: A multilevel latent class analysis with social determinants
Notice bibliographique
Résumé
BACKGROUND: Problematic social media use (PSMU) represents a growing concern among adolescents globally. While existing variable-centered research has provided valuable insights into PSMU determinants, person-centered approaches can offer complementary perspectives by identifying behavioral heterogeneity within populations and examining how social determinants differentially affect distinct subgroups across diverse national contexts. OBJECTIVES: This study aimed to (1) identify distinct PSMU behavioral classes at the individual level, (2) classify countries/regions based on PSMU prevalence patterns, and (3) examine how multilevel social determinants predict class membership. METHODS: Data were from 171,447 adolescents across 41 countries/regions. Multilevel latent class analyses were first conducted on nine dimensions of PSMU to identify distinct classes at individual and national levels. Individual-level measures incorporated social relationship quality, health behaviors, and economic deprivation. National-level indicators included economic development, education, income, inequalities, and cultural values. Multinomial regressions were performed to examine associations between social determinants and PSMU class membership. RESULTS: Three distinct individual-level PSMU classes emerged: Low Problematic Use Class (58.0%), Moderate Problematic Use Class (37.6%), and High Problematic Use Class (4.3%). Countries/regions are clustered into three categories: Low Prevalence Region (31.7%), Moderate Prevalence Region (39.0%), and High Prevalence Region (29.2%). At the individual level, positive social relationships and healthy lifestyles demonstrated protective effects against problematic use, while economic deprivation increased risk. At the national level, educational inequality, secular values, and gender inequality significantly increased the likelihood of countries belonging to the High Prevalence Region. CONCLUSION: Adolescent PSMU manifests heterogeneously across individuals and exhibits geographic variation. This study highlights the necessity of multilevel, differentiated intervention strategies, emphasizing that countries/regions should develop policies aligned with their specific characteristics to foster supportive environments for adolescent digital well-being.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».