Video gaming linked to unhealthy diet, poor sleep quality and lower physical activity levels in Australian university students
Notice bibliographique
Résumé
OBJECTIVES: Video gaming is highly prevalent among university students, yet its health associations remain poorly understood. This study examined relationships between video gaming frequency and health in Australian university students. METHODS: A cross-sectional survey of 317 Western Australian university students assessed gaming habits, diet quality (Diet Quality Tool), physical activity (International Physical Activity Questionnaire), sleep quality (Pittsburgh Sleep Quality Index), eating behaviors (Three-Factor Eating Questionnaire), and perceived stress (Perceived Stress Scale). Participants were categorized into tertiles based on gaming frequency (low [0-5 h/wk], moderate [6-10 h/wk], and high [>10 h/wk]). RESULTS: High-frequency gamers had significantly poorer diet quality scores (median 45.0 versus 50.0, P < 0.001), higher BMI (median 26.3 versus 22.2 kg/m², P < 0.001), and worse sleep quality (PSQI score 7.0 versus 6.0, P < 0.001) compared to low-frequency gamers. Correlation analyses confirmed these associations in which gaming frequency negatively correlated with diet quality (r = -0.26, P < 0.001) and physical activity (r = -0.13, P = 0.03) and positively correlated with BMI (r = 0.38, P < 0.001). Multiple regression analysis revealed total gaming hours independently predicted poorer diet quality (β = -0.16, P = 0.02) after controlling for demographic and lifestyle factors. CONCLUSIONS: Higher video gaming frequency was associated with poorer diet quality and increased BMI among university students. These findings suggest excessive gaming may contribute to adverse health outcomes. Public health interventions targeting excessive or high gaming levels and promoting healthy lifestyle habits in university populations are warranted.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».